基于标签树的丰富多类医学图像分割损失函数
计算机视觉与模式识别
2026-05-22 v3
摘要
丰富且准确的医学图像分割正站在由AI定义的临床实践的下一代基础之上，通过描绘关键解剖结构来支持术前规划、指导实时内镜导航以及支持精确术后评估。然而，常用的医学和外科影像分割任务学习方法对所有错误惩罚相同，因而无法利用标签空间中的任何类间语义。这在标签基数和丰富性增加以纳入细微不同类别时尤其成问题。本文提出了两种基于树的语义损失函数，利用标签的层次组织优势。我们进一步将这些损失整合到最近提出的稀疏、无背景注释训练方法中，以扩展所提损失的适用性。报告了在两个医学和外科影像分割任务上的大量实验，分别是用于全脑解剖的头颈MRI和用于场景理解的神经外科高光谱成像。结果表明，在评估的任务特定基线上 consistently 实现改进，对于全脑解剖，Wasserstein-based复合损失最有力；对于稀疏HSI情境，层次加权的顶级监督最有力。
关键词
引用
@article{arxiv.2507.15777,
title = {Label tree semantic losses for rich multi-class medical image segmentation},
author = {Junwen Wang and Oscar MacCormac and William Rochford and Aaron Kujawa and Jonathan Shapey and Tom Vercauteren},
journal= {arXiv preprint arXiv:2507.15777},
year = {2026}
}