Combo Loss：在多器官分割中处理输入与输出不平衡
计算机视觉与模式识别
2021-09-16 v6
摘要
从不同医学成像模态同时分割多个器官是一项关键任务，可用于计算机辅助诊断、计算机辅助手术和治疗规划。得益于深度学习的近期进展，为此目的已成功引入若干用于医学图像分割的深度神经网络。本文关注训练一个标注体素标签的深度多器官分割网络。我们尤其考察损失函数的关键选择，以处理困扰学习模型输入与输出的严重不平衡问题。输入不平衡指输入训练样本中的类不平衡（即嵌入大量背景体素中的小前景对象，以及尺寸各异的器官）。输出不平衡指推断模型的假阳性与假阴性之间的不平衡。为在训练和推断中应对两类不平衡，我们提出一种新的基于课程学习的损失函数。具体而言，我们利用 Dice 相似系数防止模型参数陷入糟糕的局部极小，同时通过交叉熵项对假阳性/假阴性进行惩罚以逐步学习更好的模型参数。我们在三个数据集上评估所提损失函数：含 5 个目标器官的全身正电子发射断层扫描（PET）数据、磁共振成像（MRI）前列腺扫描，以及含单个目标器官（左心室）的超声心动图图像。我们表明，带有所提集成损失函数的简单网络架构可优于当前最优（SOTA）方法，且竞争方法在使用我们的损失后结果可得以改善。
引用
@article{arxiv.1805.02798,
title = {Combo Loss: Handling Input and Output Imbalance in Multi-Organ Segmentation},
author = {Saeid Asgari Taghanaki and Yefeng Zheng and S. Kevin Zhou and Bogdan Georgescu and Puneet Sharma and Daguang Xu and Dorin Comaniciu and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:1805.02798},
year = {2021}
}