医学图像分割的优化：以 Dice 分数或 Jaccard 指数评估时的理论与实践
图像与视频处理
2020-10-27 v1 计算机视觉与模式识别
机器学习
摘要
在许多医学成像与经典计算机视觉任务中，Dice 分数和 Jaccard 指数被用于评估分割性能。尽管存在并取得巨大经验成功的度量敏感损失（即这些度量的松弛形式，如 soft Dice、soft Jaccard 和 Lovasz-Softmax），许多研究者仍使用逐像素损失（如（加权）交叉熵）来训练 CNN 进行分割。因此，目标度量在许多情况下未被直接优化。我们从理论角度研究了度量敏感损失函数组内的关系，并质疑是否存在最优加权方案使加权交叉熵在测试时优化 Dice 分数与 Jaccard 指数。我们发现 Dice 分数与 Jaccard 指数在相对与绝对意义上相互近似，但发现加权汉明相似度无此近似。对于 Tversky 损失，当偏离 soft Tversky 等于 soft Dice 的平凡权重设置时，近似单调变差。我们在六个医学分割任务上的广泛验证中从经验上证实了这些结果，并能确认在以 Dice 分数或 Jaccard 指数评估时，度量敏感损失优于基于交叉熵的损失函数。这进一步在多类设定中成立，且跨越不同目标尺寸与前景/背景比例。这些结果鼓励在性能度量关注为 Dice 分数或 Jaccard 指数的医学分割任务中更广泛地采用度量敏感损失函数。
引用
@article{arxiv.2010.13499,
title = {Optimization for Medical Image Segmentation: Theory and Practice when evaluating with Dice Score or Jaccard Index},
author = {Tom Eelbode and Jeroen Bertels and Maxim Berman and Dirk Vandermeulen and Frederik Maes and Raf Bisschops and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:2010.13499},
year = {2020}
}
备注
15 pages, 14 figures, accepted for publication in IEEE Transactions on Medical Imaging (2020)