用于医学图像分割的残差矩损失
图像与视频处理
2021-06-29 v1 计算机视觉与模式识别
机器学习
摘要
位置信息已被证明有助于深度学习模型捕捉目标对象的流形结构，从而提升医学图像分割的精度。然而，大多数现有方法以隐式方式编码位置信息，例如距离变换图，其描述每个像素到轮廓边界的相对距离，供网络学习。这些隐式方法并未充分利用目标的绝对位置信息。在本文中，我们提出一种新颖的损失函数，即残差矩（RM）损失，在深度学习网络训练过程中显式嵌入分割目标的位置信息。具体而言，受图像矩启发，分割预测图与真值图由坐标信息进行加权。随后我们的 RM 损失鼓励网络保持两加权图之间的一致性，从而促使分割网络易于定位目标并提取与流形结构相关的特征。我们在两个公开数据集上进行了广泛实验来验证所提出的 RM 损失，即 2D 视杯与视盘分割以及 3D 左心房分割。实验结果表明我们的 RM 损失有效，显著提升了分割网络的精度。
引用
@article{arxiv.2106.14178,
title = {Residual Moment Loss for Medical Image Segmentation},
author = {Quanziang Wang and Renzhen Wang and Yuexiang Li and Kai Ma and Yefeng Zheng and Deyu Meng},
journal= {arXiv preprint arXiv:2106.14178},
year = {2021}
}