面向小肿瘤分割的尺度与光滑度感知自适应焦点损失
图像与视频处理
2025-10-27 v2 人工智能
计算机视觉与模式识别
摘要
深度学习在医学图像分割中取得了显著的准确率，尤其在边界明确的大尺寸结构方面表现尤为突出。然而，由于不规则的物体形状、边界不光滑、小目标区域等因素，其有效性受到挑战。为此，我们提出了一种自适应焦点损失（Adaptive Focal Loss, A-FL），该损失函数同时考虑了对象边界的光滑度和尺寸，以提高在复杂解剖区域的分割性能。 proposed A-FL 能够根据对象的表面光滑度、尺寸以及基于目标区域与背景比例的类别平衡参数进行动态调整。我们在 PICAI 2022 数据集和 BraTS 2018 数据集上评估了 A-FL 的性能。在 PICAI 2022 数据集上，A-FL 获得了 0.696 的交并比（IoU）得分和 0.769 的 Dice 相似系数（DSC），分别超过常规焦点损失（FL）的 5.5% 和 5.4%。它还超过了最佳基线的 2.0% 和 1.2%。在 BraTS 2018 数据集上，A-FL 获得了 0.883 的 IoU 得分和 0.931 的 DSC 得分。我们的消融实验还表明，所提出的 A-FL 在 IoU、DSC 以及其他指标上均显著优于常规损失函数（包括 Dice 损失、焦点损失及其混合变体）。代码已公开于 https://github.com/rakibuliuict/AFL-CIBM.git。
引用
@article{arxiv.2407.09828,
title = {Size and Smoothness Aware Adaptive Focal Loss for Small Tumor Segmentation},
author = {Md Rakibul Islam and Riad Hassan and Abdullah Nazib and Kien Nguyen and Clinton Fookes and Md Zahidul Islam},
journal= {arXiv preprint arXiv:2407.09828},
year = {2025}
}
备注
15 pages, 5 figures