Dice 损失函数在基于 3D 全卷积网络的腹部 CT 多器官分割中的影响
计算机视觉与模式识别
2018-01-19 v1
摘要
基于深度学习的方法在医学图像分割中取得了令人印象深刻的成果。随着 3D 全卷积网络（FCNs）的发展，对 3D 计算机断层扫描（CT）图像进行多器官分割并产出改进结果已变得可行。使用基于深度学习方法的的多器官分割结果不仅取决于网络架构的选择，还强烈依赖于损失函数的选择。在本文中，我们基于腹部 CT 体数据集，讨论了基于 Dice 的损失函数在多类器官分割中的影响。我们研究了基于类别标签频率（均匀、简单和平方）对 Dice 损失函数进行三种不同加权的方式，并评估它们对分割精度的影响。此外，我们比较了不同初始学习率的影响。当学习率为 0.001 时，均匀、简单和平方加权分别取得了 81.3%、59.5% 和 31.7% 的平均 Dice 分数；当学习率为 0.01 时，各加权方式分别取得了 78.2%、81.0% 和 58.5%。我们的实验表明训练中类别平衡权重与初始学习率之间存在强关联。
引用
@article{arxiv.1801.05912,
title = {On the influence of Dice loss function in multi-class organ segmentation of abdominal CT using 3D fully convolutional networks},
author = {Chen Shen and Holger R. Roth and Hirohisa Oda and Masahiro Oda and Yuichiro Hayashi and Kazunari Misawa and Kensaku Mori},
journal= {arXiv preprint arXiv:1801.05912},
year = {2018}
}
备注
presented at MI-ken, November 2017, Takamatsu, Japan (http://www.ieice.org/iss/mi/)