用于组织病理学通用细胞核检测的切换损失函数
图像与视频处理
2020-08-11 v1 计算机视觉与模式识别
摘要
深度学习在医学图像分析的两个基础任务——检测与分割——中的准确性可能会受到类别不平衡的影响。我们提出了一种“切换损失”函数，能够自适应地在前景与背景类别之间转移侧重。现有解决该问题的损失函数受分类任务启发，而切换损失基于 Dice 损失，更适用于分割与检测。此外，为充分利用训练样本，我们随每个 mini-batch 调整损失，不同于以往针对整个训练集仅调整一次的方案。在源数据集上使用所提损失函数训练的细胞核检测器，优于使用交叉熵、Dice 或 focal 损失训练的检测器。值得注意的是，无需在目标数据集上重新训练，我们预训练的细胞核检测器也优于那些在目标数据集上至少部分图像上训练过的现有细胞核检测器。为确立所提损失的广泛适用性，我们还证实其在 MRI 脑室分割中较其他损失函数更为准确。我们支持 GPU 的预训练细胞核检测软件开箱即可处理全切片图像，且速度实用。
引用
@article{arxiv.2008.03750,
title = {Switching Loss for Generalized Nucleus Detection in Histopathology},
author = {Deepak Anand and Gaurav Patel and Yaman Dang and Amit Sethi},
journal= {arXiv preprint arXiv:2008.03750},
year = {2020}
}