用于医学分割中不平衡问题的偏移曲线损失
图像与视频处理
2020-12-07 v1 计算机视觉与模式识别
摘要
医学图像分割在医学分析中发挥着重要作用，并广泛应用于许多临床应用。基于深度学习的方法在语义分割中取得了高性能，但它们受限于逐像素设置以及类别数据不平衡问题。本文中，我们通过开发一种新的基于深度学习的模型来解决这些局限，该模型同时考虑更高特征层级（即轮廓内部区域）、中间特征层级（即轮廓周围的偏移曲线）和更低特征层级（即轮廓）。我们提出的偏移曲线（OsC）损失由三个主要拟合项组成。第一个拟合项关注逐像素层级分割，而第二个拟合项充当注意力模型，关注边界周围区域（偏移曲线）。第三项作为正则化项，将边界长度考虑在内。我们在 2D 网络和 3D 网络上评估我们提出的 OsC 损失。使用两个常见医学数据集，即视网膜 DRIVE 和脑肿瘤 BRATS 2018 数据集来基准测试我们提出的损失性能。实验表明，我们提出的 OsC 损失函数在最常用的分割网络 Unet、FCN 上优于其他主流损失函数，如交叉熵、Dice、Focal。
引用
@article{arxiv.2012.02463,
title = {Offset Curves Loss for Imbalanced Problem in Medical Segmentation},
author = {Ngan Le and Trung Le and Kashu Yamazaki and Toan Duc Bui and Khoa Luu and Marios Savides},
journal= {arXiv preprint arXiv:2012.02463},
year = {2020}
}
备注
ICPR 2020