校准 Dice 损失以应对生物医学图像分割中神经网络过度自信
图像与视频处理
2022-11-02 v2 人工智能
计算机视觉与模式识别
最优化与控制
摘要
Dice 相似系数（DSC）因其对类不平衡的鲁棒性，既是生物医学图像分割中广泛使用的度量，也是损失函数。然而，众所周知 DSC 损失校准不良，导致过度自信的预测，无法在生物医学与临床实践中被有效解释。性能常是评估深度神经网络生成分割的唯一指标，而校准常被忽视。然而，校准对于转化至生物医学与临床实践十分重要，为科学家与临床医生的解释提供模型预测的关键上下文信息。在本研究中，我们提供了 DSC 损失一个简单而有效的扩展，命名为 DSC++ 损失，其选择性调节与过度自信的错误预测相关的惩罚。作为独立损失函数，DSC++ 损失在六个经过充分验证的开源生物医学成像数据集（包括 2D 二值与 3D 多类分割任务）上相比传统 DSC 损失实现了显著改善的校准。类似地，我们将 DSC++ 损失集成到四个基于 DSC 的损失函数中时也观察到显著改善的校准。最后，我们利用 softmax 阈值化说明，良好校准的输出能够实现查全率-查准率偏置的定制，这是使模型预测适应生物医学或临床任务的重要后处理技术。DSC++ 损失克服了 DSC 损失的主要局限，为训练用于生物医学与临床实践的深度学习分割模型提供了合适的损失函数。源代码见：https://github.com/mlyg/DicePlusPlus。
引用
@article{arxiv.2111.00528,
title = {Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation},
author = {Michael Yeung and Leonardo Rundo and Yang Nan and Evis Sala and Carola-Bibiane Schönlieb and Guang Yang},
journal= {arXiv preprint arXiv:2111.00528},
year = {2022}
}