基于整体卷积网络的不平衡多类分割的广义 Wasserstein Dice 评分
计算机视觉与模式识别
2018-02-27 v4
摘要
Dice 评分因其对类别不平衡的鲁棒性而广泛用于二值分割。Dice 评分的软泛化形式使其可用作训练卷积神经网络 (CNN) 的损失函数。尽管使用平均类别 Dice 评分训练的 CNN 在多类分割上取得了最先进 (SOTA) 的结果，但该损失函数既未利用类间关系，也未利用多尺度信息。我们认为，改进的损失函数应平衡误分类，以倾向于具有语义意义的预测。本文在多类脑肿瘤分割的背景下研究了这些问题。我们的贡献有三方面：1) 我们提出了一种基于概率标签空间上 Wasserstein 距离的、面向多类分割的语义感知广义 Dice 评分。2) 我们提出了一种整体 CNN，通过深度监督嵌入多尺度的空间信息。3) 我们证明了联合使用整体 CNN 和广义 Wasserstein Dice 评分能够实现对于脑肿瘤分割更具语义意义的分割结果。
引用
@article{arxiv.1707.00478,
title = {Generalised Wasserstein Dice Score for Imbalanced Multi-class Segmentation using Holistic Convolutional Networks},
author = {Lucas Fidon and Wenqi Li and Luis C. Garcia-Peraza-Herrera and Jinendra Ekanayake and Neil Kitchen and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:1707.00478},
year = {2018}
}
备注
Accepted as an oral presentation at the MICCAI 2017 Brain Lesion (BrainLes) Workshop