利用卷积神经网络降低医学图像分割中的豪斯多夫距离
图像与视频处理
2019-04-24 v1 机器学习
机器学习
摘要
豪斯多夫距离（HD）被广泛用于评估医学图像分割方法。然而，现有的分割方法并未尝试直接降低 HD。在本文中，我们提出了用于训练基于卷积神经网络（CNN）的分割方法的新型损失函数，其目标是直接降低 HD。我们提出了三种从 CNN 产生的分割概率图估计 HD 的方法。一种方法利用分割边界的距离变换。另一种方法基于对真实与估计分割图之差施加形态学腐蚀。第三种方法通过对分割概率图施加不同半径的圆形/球形卷积核来实现。基于这三种估计 HD 的方法，我们提出了三种可用于训练以降低 HD 的损失函数。我们使用这些损失函数训练 CNN 以分割超声、磁共振和计算机断层扫描图像中的前列腺、肝脏和胰腺，并将结果与常用损失函数进行比较。我们的结果表明，所提出的损失函数可在不降低其他分割性能标准（如 Dice 相似系数）的情况下，使 HD 降低约 18-45%。所提出的损失函数可用于训练医学图像分割方法，以减少大的分割误差。
引用
@article{arxiv.1904.10030,
title = {Reducing the Hausdorff Distance in Medical Image Segmentation with Convolutional Neural Networks},
author = {Davood Karimi and Septimiu E. Salcudean},
journal= {arXiv preprint arXiv:1904.10030},
year = {2019}
}