基于奖励-惩罚 Dice 损失学习非唯一分割
图像与视频处理
2020-09-24 v1 计算机视觉与模式识别
摘要
语义分割是计算机视觉领域的关键问题之一，因其使计算机理解图像成为可能。然而，大多数语义分割的研究与应用聚焦于解决唯一分割问题，即每幅输入图像仅有一个金标准分割结果。在某些问题中这未必成立，例如医学应用。我们可能拥有非唯一分割标注，因为不同外科医生对同一患者以略有不同的方式实施成功手术。为全面学习非唯一分割任务，我们提出奖励-惩罚 Dice 损失（RPDL）函数作为深度卷积神经网络（DCNN）的优化目标。RPDL 能够通过增强共同区域并惩罚外部区域，帮助 DCNN 学习非唯一分割。实验结果表明，在我们收集的手术数据集上，与其他损失函数相比，RPDL 将 DCNN 模型性能最高提升 18.4%。
引用
@article{arxiv.2009.10987,
title = {Learning Non-Unique Segmentation with Reward-Penalty Dice Loss},
author = {Jiabo He and Sarah Erfani and Sudanthi Wijewickrema and Stephen O'Leary and Kotagiri Ramamohanarao},
journal= {arXiv preprint arXiv:2009.10987},
year = {2020}
}