面向语义分割的距离图损失惩罚项
图像与视频处理
2019-08-13 v1 计算机视觉与模式识别
机器学习
摘要
用于语义分割的卷积神经网络在目标边界处性能较低。在医学影像中，组织表面与体积的准确表征对于追踪疾病生物标志物（如组织形态与形状特征）十分重要。本文提出一种新颖的、由距离图导出的语义分割损失惩罚项。我们提出利用从真值掩码导出的距离图来构造惩罚项，引导网络关注难以分割的边界区域。我们研究了该惩罚因子相对于交叉熵、Dice 及 focal loss 等其他损失的效果，并在公开可用的骨关节炎倡议（Osteoarthritis Initiative）数据集上的三维 MRI 骨骼分割任务中进行评估。我们观察到分割质量显著提升，在骨边界及受部分容积效应影响区域具有更好的形状保持。我们最终旨在利用该损失惩罚项改进形状生物标志物的提取，并推导用于定量评估形状保持情况的指标。
引用
@article{arxiv.1908.03679,
title = {Distance Map Loss Penalty Term for Semantic Segmentation},
author = {Francesco Caliva and Claudia Iriondo and Alejandro Morales Martinez and Sharmila Majumdar and Valentina Pedoia},
journal= {arXiv preprint arXiv:1908.03679},
year = {2019}
}
备注
Medical Imaging with Deep Learning (MIDL2019) Conference [arXiv:1907.08612], Extended Abstract