以新型损失函数应对不确定性以实现自动左心房分割
计算机视觉与模式识别
2018-12-17 v1
摘要
在磁共振体数据中分割左心房对推动房颤治疗具有重要潜力。然而，多变的解剖结构、伪影以及组织间低对比度阻碍了手动与自动方案的进展。本文提出一种全自动框架，用于在钆增强磁共振体数据中分割左心房。首先通过检测模块自动定位左心房区域。我们的框架随后以一个定制的三维深度神经网络起步，充分挖掘该区域中的空间依赖关系以进行分割。为缓解训练效率低与潜在过拟合的风险，我们采用迁移学习与深度监督策略增强深度网络。我们网络设计的主要贡献在于用于应对边界模糊与难样本的复合损失函数。我们首先采用重叠损失(Overlap loss)鼓励网络减少前景与背景的重叠，从而锐化边界上的预测。接着我们提出一种新颖的聚焦正损失(Focal Positive loss)以引导体素特异性阈值的学些并强调前景以提升分类灵敏度。通过递归训练方案获得进一步改进。消融实验证明所有引入的模块均有效。所提框架在20个测试体数据上分割带肺静脉的左心房取得了92.24的平均Dice系数。
引用
@article{arxiv.1812.05807,
title = {Combating Uncertainty with Novel Losses for Automatic Left Atrium Segmentation},
author = {Xin Yang and Na Wang and Yi Wang and Xu Wang and Reza Nezafat and Dong Ni and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1812.05807},
year = {2018}
}
备注
9 pages, 4 figures. MICCAI Workshop on STACOM 2018