广义 Dice 重叠作为高度不平衡分割的深度学习损失函数
计算机视觉与模式识别
2017-09-19 v3
摘要
深度学习近年已被证明是图像分析的有力工具，现广泛用于分割 2D 和 3D 医学图像。深度学习分割框架不仅依赖于网络架构的选择，也依赖于损失函数的选择。当分割过程针对罕见观测时，候选标签之间可能出现严重的类别不平衡，从而导致次优性能。为缓解此问题，已提出如加权交叉熵函数、敏感度函数或 Dice 损失函数等策略。本工作中，我们研究了这些损失函数的行为及其在学习率调优下对 2D 和 3D 分割任务中不同标签不平衡率的敏感性。我们还提出利用广义 Dice 重叠（一种已知的分割评估度量）的类别重平衡特性，作为不平衡任务的鲁棒且准确的深度学习损失函数。
引用
@article{arxiv.1707.03237,
title = {Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations},
author = {Carole H Sudre and Wenqi Li and Tom Vercauteren and Sébastien Ourselin and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:1707.03237},
year = {2017}
}