用于医学图像分割的稳健 T-Loss
计算机视觉与模式识别
2023-06-02 v1
摘要
本文提出了一种用于医学图像分割的新型稳健损失函数 T-Loss。所提出的损失基于 Student-t 分布的负对数似然，并可通过单一参数控制其敏感度来有效处理数据中的异常值。该参数在反向传播过程中更新，无需额外计算或关于噪声标签水平和分布的先验信息。我们的实验表明，在用于皮肤病灶和肺部分割的两个公开医学数据集上，T-Loss 在 Dice 分数方面优于传统损失函数。我们还证明了 T-Loss 处理不同类型模拟标签噪声（类似于人为错误）的能力。我们的结果提供了强有力的证据，表明 T-Loss 是医学图像分割的一种极具前景的替代方案，而在该领域中数据集存在高水平噪声或异常值在实践中是典型现象。项目网站可在 https://robust-tloss.github.io 找到。
关键词
引用
@article{arxiv.2306.00753,
title = {Robust T-Loss for Medical Image Segmentation},
author = {Alvaro Gonzalez-Jimenez and Simone Lionetti and Philippe Gottfrois and Fabian Gröger and Marc Pouly and Alexander Navarini},
journal= {arXiv preprint arXiv:2306.00753},
year = {2023}
}
备注
Early accepted to MICCAI 2023