用于生物医学图像分割的区域加权损失

我们提出用于生物医学图像分割的区域加权（RW）损失。区域加权损失具有通用性，能同时考虑类别不平衡和像素重要性，并且可以很容易地实现为 softmax 输出与 RW 图之间的逐像素乘法。我们证明，在所提出的 RW 损失框架下，某些损失函数，如 Active Contour 和 Boundary 损失，可以通过适当的 RW 图进行类似的重新表述，从而揭示它们潜在相似性以及理解这些损失函数的新视角。我们研究了由某些 RW 图（如 Boundary 损失距离图）引起的观察到的优化不稳定性，并引入了一个基于数学的原理来避免这种不稳定性。该原理对任何数据集都具有出色的适应性，并在实践中确保收敛，无需额外的正则化项或优化技巧。遵循这一原理，我们提出了一种称为整流区域加权（RRW）图的简单版边界距离图，正如我们在实验中所证明的，在三个不同的分割任务中，它取得了与 Dice、Focal、加权交叉熵和 Boundary 损失相似或更好的 Dice 系数和 Hausdorff 距离，达到了最先进的性能。我们量化了 Boundary 损失距离图提供的优化不稳定性，并通过实验表明我们的 RRW 图优化是稳定的。运行我们所有实验的代码可在以下网址公开获取：https://github.com/jmlipman/RegionWiseLoss。