用于部分监督多器官分割的边缘损失与排斥损失
计算机视觉与模式识别
2020-07-09 v1
摘要
在医学图像中标注多个器官既昂贵又耗时；因此，现有的带标签多器官数据集往往样本量小且多为部分标注，即一个数据集仅有少数器官被标注而非全部器官。本文研究如何从这些数据集的并集中学习一个单一的多器官分割网络。为此，我们提出两类专为该场景设计的新颖损失函数：(i) 边缘损失（marginal loss）与 (ii) 排斥损失（exclusion loss）。由于部分标注图像中的背景标签实际上是所有未标注器官与“真实”背景（在全标签意义下）的“合并”标签，该“合并”背景标签的概率是一个边缘概率，即合并前相关概率之和。该边缘概率可代入任意现有损失函数（如交叉熵损失、Dice损失等）以构成边缘损失。利用器官互不重叠这一事实，我们提出排斥损失来衡量已标注器官与未标注器官的估计分割之间的相异度。在肝脏、脾脏、左右肾脏及胰腺多器官分割的五个基准数据集的并集上的实验表明，使用我们新提出的损失函数可在不引入任何额外计算的情况下为最先进方法带来显著的性能提升。
引用
@article{arxiv.2007.03868,
title = {Marginal loss and exclusion loss for partially supervised multi-organ segmentation},
author = {Gonglei Shi and Li Xiao and Yang Chen and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2007.03868},
year = {2020}
}