FourierLoss：基于傅里叶描述子的形状感知损失函数
计算机视觉与模式识别
2023-09-22 v1
摘要
编码器-解码器网络已成为各种医学图像分割任务的热门选择。当使用标准损失函数训练时，这些网络不会被显式地强制保留图像中物体的形状完整性。然而，网络的这种能力对于获得更准确的结果十分重要，尤其是在物体与其周围环境对比度较低时。针对此问题，本文提出了一种新的形状感知损失函数，我们称之为 FourierLoss。该损失函数依赖于通过在其物体上计算的傅里叶描述子来量化真实分割图与预测分割图之间的形状差异，并在网络训练中对这种差异进行惩罚。与以往研究不同，FourierLoss 提供了一种具有可训练超参数的自适应损失函数，这些超参数控制网络在训练过程中被强制学习的形状细节程度的重要性。这种控制由所提出的自适应损失更新机制实现，该机制通过反向传播与网络权重端到端地同时学习超参数。使用该机制的结果是，网络可以在不同的训练周期中动态地将注意力从学习物体的总体轮廓转变为学习其轮廓点的细节，或反之。我们在 93 名受试者的 2879 张计算机断层扫描图像上进行的实验表明，与同类方法相比，所提出的自适应形状感知损失函数在肝脏分割上取得了统计显著性更好的结果。
引用
@article{arxiv.2309.12106,
title = {FourierLoss: Shape-Aware Loss Function with Fourier Descriptors},
author = {Mehmet Bahadir Erden and Selahattin Cansiz and Onur Caki and Haya Khattak and Durmus Etiz and Melek Cosar Yakar and Kerem Duruer and Berke Barut and Cigdem Gunduz-Demir},
journal= {arXiv preprint arXiv:2309.12106},
year = {2023}
}