基于先验的损失函数对分割性能的影响：一项基准研究

如今，深度卷积神经网络（CNNs）已在各种成像模态和任务上展现出医学图像分割的最先进性能。尽管早期取得成功，分割网络仍可能生成解剖学上异常的分割结果，在物体边界附近出现孔洞或不准确。为强制解剖学合理性，近期研究聚焦于将物体形状或边界等先验知识作为损失函数中的约束进行整合。整合的先验可以是低级的（指从真值分割中提取的重新表述表示），或高级的（表示外部医学信息如器官形状或大小）。过去几年中，基于先验的损失因能在保持架构无关的同时整合专家知识而受到日益关注。然而，鉴于不同医学成像挑战与任务中基于先验的损失的多样性，已难以确定哪种损失对哪个数据集效果最佳。本文建立了近期基于先验的损失的医学图像分割基准。主要目标是针对特定任务或数据集提供关于选择何种损失的直观指导。为此，我们选取了四种低级和高级基于先验的损失。所考虑的损失在来自多种医学图像分割挑战（包括 Decathlon、ISLES 和 WMH 挑战）的 8 个不同数据集上进行了验证。结果表明，无论数据集特征如何，低级基于先验的损失都能保证相较 Dice 损失基线提升性能，而高级基于先验的损失可依据数据特征提升解剖学合理性。