将边界不确定性引入损失函数用于生物医学图像分割
图像与视频处理
2021-11-02 v1 人工智能
计算机视觉与模式识别
最优化与控制
摘要
手动分割被用作评估自动化图像分割任务中神经网络的金标准。由于形状、颜色与纹理的显著异质性，在生物医学图像中界定物体边界尤为困难，导致标注者间与标注者内的显著变异性。软标签与距离惩罚项等方法对真值施加全局变换，并依据不确定性重新定义损失函数。然而，全局操作计算开销大，且两种方法均不能准确反映手动标注背后的不确定性。本文提出边界不确定性，利用形态学操作将软标签限制于物体边界，提供对真值标签中不确定性的恰当表示，并可经调整以在存在系统性手动分割误差时实现鲁棒模型训练。我们将边界不确定性与 Dice 损失相结合，在三个经过充分验证的生物医学成像数据集上相比软标签与距离加权惩罚取得了一致的性能提升。边界不确定性不仅更准确地反映分割过程，而且高效、对分割误差鲁棒并展现出更好的泛化能力。
引用
@article{arxiv.2111.00533,
title = {Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation},
author = {Michael Yeung and Guang Yang and Evis Sala and Carola-Bibiane Schönlieb and Leonardo Rundo},
journal= {arXiv preprint arXiv:2111.00533},
year = {2021}
}