学习靠近：基于实例的小脑卒中病灶分割的新损失函数
计算机视觉与模式识别
2026-04-08 v3
摘要
医学图像分割中常用的损失函数（如 Dice）因其在整体损失中的相对体积贡献微乎其微，往往出现小病灶分割不足的情况。为此，提出了基于实例的损失函数和指标，对分割质量进行逐病灶评估。我们引入基于 CC-Metrics 框架的 CC-DiceCE 损失函数，并与现有的 blob 损失进行比较。两者在 nnU-Net 框架下基准测试于 DiceCE 基线模型，该框架提供了稳健且标准化的实验 setup。我们发现，CC-DiceCE 损失在检测（召回率）方面提升显著，同时对分割性能几乎没有或几乎没有退化，但在数据集依赖下存在精度的权衡。 Furthermore, our multi-dataset study shows that CC-DiceCE generally outperforms blob loss。
引用
@article{arxiv.2511.17146,
title = {Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation},
author = {Luc Bouteille and Alexander Jaus and Jens Kleesiek and Rainer Stiefelhagen and Lukas Heine},
journal= {arXiv preprint arXiv:2511.17146},
year = {2026}
}
备注
Accepted to IEEE ISBI 2026. 5 pages, 2 figures, 2 tables