利用实例级与实例中心分割损失函数改进生物医学图像中不同尺寸目标的分割
图像与视频处理
2023-04-14 v1 计算机视觉与模式识别
摘要
本文针对生物医学图像分割任务提出了一种新颖的双分量损失函数，称为实例级与实例中心（ICI）损失，该损失函数解决了使用Dice损失等像素级损失函数时常遇到的实例不平衡问题。实例级分量提升了对同时含有大、小实例的图像数据集中小实例或“团块”的检测能力；实例中心分量则提高了整体检测精度。我们在MICCAI 2022的ATLAS R2.0挑战数据集上，以脑卒中病灶分割任务将ICI损失与Dice损失、blob损失两种现有损失进行了比较。相较于其他损失，ICI损失提供了更均衡的分割效果，并在验证集与测试集上以Dice相似系数为指标显著优于Dice损失（提升）和blob损失（提升），表明ICI损失是实例不平衡问题的一种潜在解决方案。
引用
@article{arxiv.2304.06229,
title = {Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function},
author = {Muhammad Febrian Rachmadi and Charissa Poon and Henrik Skibbe},
journal= {arXiv preprint arXiv:2304.06229},
year = {2023}
}
备注
conference