基于高层先验的损失函数在医学图像分割中的应用：综述
计算机视觉与模式识别
2020-11-24 v2 机器学习
摘要
如今，深度卷积神经网络（CNN）在各种成像模态与任务上的有监督医学图像分割中已展现出最先进的性能。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。为缓解该效应，近期研究工作聚焦于引入空间信息或先验知识以强制生成解剖学上合理的分割。若将先验知识融入图像分割在经典优化方法中并非新课题，那么在基于 CNN 的图像分割中它如今正成为一种日益增长的趋势，相关文献的增多即证明了这一点。本综述关注嵌入于损失函数层面的高层先验。我们根据先验的性质对文章进行分类：物体形状、尺寸、拓扑以及区域间约束。我们指出了当前方法的优势与局限，讨论了基于先验的损失函数设计与融合以及优化策略相关的挑战，并给出了未来研究方向。
引用
@article{arxiv.2011.08018,
title = {High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey},
author = {Rosana El Jurdi and Caroline Petitjean and Paul Honeine and Veronika Cheplygina and Fahed Abdallah},
journal= {arXiv preprint arXiv:2011.08018},
year = {2020}
}