损失函数在深度学习视网膜血管精确分割方法中的影响
图像与视频处理
2022-06-02 v1 计算机视觉与模式识别
摘要
通过眼底图像研究的视网膜血管网络有助于多种不仅限于眼部疾病的诊断。该系统的分割可通过辅助形态学特征的量化，来帮助分析这些图像的专业任务。由于其重要性，已有多种基于深度学习的架构被尝试用于自动解决此问题。然而，损失函数选择对复杂视网膜血管系统分割的影响尚未得到系统评估。在这项工作中，我们使用深度学习架构（即 U-Net、Attention U-Net 和 Nested UNet）与 DRIVE 数据集，对比了二元交叉熵（Binary Cross Entropy）、Dice、Tversky 和 Combo 损失函数。使用四项指标评估其性能：AUC、均方误差、dice 分数和 Hausdorff 距离。各模型以相同的参数量和训练轮数进行训练。使用 dice 分数和 AUC 时，最佳组合为 SA-UNet 配 Combo 损失，其平均值分别为 0.9442 和 0.809。Hausdorff 距离和均方误差的最佳平均值由 Nested U-Net 配 Dice 损失函数取得，其平均值分别为 6.32 和 0.0241。结果表明损失函数的选择存在显著差异。
引用
@article{arxiv.2206.00536,
title = {Impact of loss function in Deep Learning methods for accurate retinal vessel segmentation},
author = {Daniela Herrera and Gilberto Ochoa-Ruiz and Miguel Gonzalez-Mendoza and Christian Mata},
journal= {arXiv preprint arXiv:2206.00536},
year = {2022}
}
备注
Paper submitted to MICAI 2022