Dice半度量损失：利用软标签优化Dice分数
计算机视觉与模式识别
2024-03-21 v4 人工智能
机器学习
摘要
软Dice损失（SDL）在医学影像界的众多自动分割流程中发挥了关键作用。过去几年中，其优越性能背后的部分原因已被揭示，并进一步探索了优化方法。然而，目前尚无支持其在涉及软标签场景中直接使用的实现。因此，SDL的使用与利用软标签（同样在模型校准背景下）的研究之间的协同作用仍然缺失。本工作中，我们引入Dice半度量损失（DMLs），其（i）在标准硬标签设置下设计与SDL完全相同，但（ii）可用于软标签设置。我们在公开QUBIQ、LiTS和KiTS基准上的实验证实了DMLs与软标签（如平均、标签平滑和知识蒸馏）相对于硬标签（如多数投票与随机选择）的潜在协同作用。结果表明，我们获得了更优的Dice分数与模型校准，这支持DMLs在实践中的更广泛应用。代码见 https://github.com/zifuwanggg/JDTLosses
引用
@article{arxiv.2303.16296,
title = {Dice Semimetric Losses: Optimizing the Dice Score with Soft Labels},
author = {Zifu Wang and Teodora Popordanoska and Jeroen Bertels and Robin Lemmens and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:2303.16296},
year = {2024}
}
备注
MICCAI 2023