用于深度卷积网络的马修斯相关系数损失:在皮肤病变分割中的应用
图像与视频处理
2021-02-23 v2 计算机视觉与模式识别
机器学习
摘要
皮肤病变的分割是皮肤病变计算机辅助诊断临床决策支持系统中的关键任务。尽管基于深度学习的方法提升了分割性能,但这些模型往往易受数据中类别不平衡的影响,尤其是背景健康皮肤所占图像比例的问题。尽管已有针对流行Dice损失函数的变体被提出以应对类别不平衡问题,但Dice损失的形式并未对背景像素的误分类进行惩罚。我们提出了一种基于度量的新型损失函数,使用马修斯相关系数(Matthews correlation coefficient)——该度量已被证明在类别分布偏斜的场景中高效,并用其优化深度分割模型。在三个皮肤病变图像数据集:ISBI ISIC 2017皮肤病变分割挑战赛数据集、DermoFit图像库和PH2数据集上的评估表明,使用所提损失函数训练的模型在平均Jaccard指数上分别比使用Dice损失训练的模型高出11.25%、4.87%和0.76%。代码可在 https://github.com/kakumarabhishek/MCC-Loss 获取。
引用
@article{arxiv.2010.13454,
title = {Matthews Correlation Coefficient Loss for Deep Convolutional Networks: Application to Skin Lesion Segmentation},
author = {Kumar Abhishek and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:2010.13454},
year = {2021}
}
备注
6 pages, 3 figures