使用良性损失函数的密集扩张空间池化卷积网络用于不平衡体积前列腺分割
计算机视觉与模式识别
2018-02-02 v2
摘要
前列腺疾病的高发病率对早期检测诊断提出了要求。作为前列腺癌检测的主要成像方法之一，磁共振成像（MRI）具有广泛的外观表现和不平衡问题，使得自动化前列腺分割基础但具挑战性。本文提出一种新颖的编码器-解码器结构密集扩张空间池化卷积网络（DDSP ConNet）。它采用密集结构结合扩张卷积与全局池化，从而由编码器与解码器子网络提供粗分割结果并保留更多上下文信息。为获取更丰富的层次特征图，进一步采用残差长连接融合上下文特征。同时，我们采用 DSC 损失与 Jaccard 损失函数训练我们的 DDSP ConNet。我们惊讶地发现并证明，与重加权交叉熵相反，DSC 损失与 Jaccard 损失在理论上具有诸多良性性质，包括关于网络参数的对称性、连续性与可微性。在 MICCAI PROMISE12 挑战数据集上进行了大量实验以证实我们的 DDSP ConNet 结合 DSC 损失与 Jaccard 损失的有效性。总体而言，我们的方法在测试数据集上取得 85.78 的分数，优于大多数其他竞争者。
引用
@article{arxiv.1801.10517,
title = {Densely Dilated Spatial Pooling Convolutional Network using benign loss functions for imbalanced volumetric prostate segmentation},
author = {Qiuhua Liu and Min Fu and Xinqi Gong and Hao Jiang},
journal= {arXiv preprint arXiv:1801.10517},
year = {2018}
}
备注
14pages, 5 figures, anonymous review in IJACAI2018