面向部分监督的标签集损失函数：在胎儿脑3D MRI分割中的应用
图像与视频处理
2021-12-02 v2 计算机视觉与模式识别
机器学习
摘要
深度神经网络提升了自动分割的精度，然而其精度依赖于大量全分割图像的可用性。为更好地利用部分标注数据集，需要能够使用仅部分（而非全部）感兴趣区域被分割的图像来训练深度神经网络的方法。本文中，我们提出标签集损失函数（即能处理部分分割图像的损失函数）的首个公理化定义。我们证明将全分割图像的经典损失函数转换为恰当的标签集损失函数的方法有且仅有唯一一种。我们的理论也使我们能定义 leaf-Dice 损失——一种 Dice 损失的标签集推广，特别适用于仅存在标签缺失的部分监督。利用 leaf-Dice 损失，我们在胎儿脑 3D MRI 分割的部分监督学习中确立了新的最先进水平。我们实现了一种深度神经网络，能够基于解剖正常胎儿或开放性脊柱裂胎儿的脑 3D MRI 分割白质、脑室、小脑、脑室周围 CSF、皮质灰质、深部灰质、脑干与胼胝体。我们提出的标签集损失函数实现见于 https://github.com/LucasFidon/label-set-loss-functions
引用
@article{arxiv.2107.03846,
title = {Label-set Loss Functions for Partial Supervision: Application to Fetal Brain 3D MRI Parcellation},
author = {Lucas Fidon and Michael Aertsen and Doaa Emam and Nada Mufti and Frédéric Guffens and Thomas Deprest and Philippe Demaerel and Anna L. David and Andrew Melbourne and Sébastien Ourselin and Jan Deprest and Tom Vercauteren},
journal= {arXiv preprint arXiv:2107.03846},
year = {2021}
}
备注
Accepted at MICCAI 2021