基于三维全卷积深度网络的图像分割Tversky损失函数
计算机视觉与模式识别
2017-06-20 v1
摘要
全卷积深度神经网络在快速准确图像分割方面展现出极佳潜力。训练这些网络的主要挑战之一是数据不平衡，这在医学影像应用（如病灶分割）中尤为突出，其中病灶体素数常远少于非病灶体素数。使用不平衡数据训练可能导致预测严重偏向高精度但低召回率（灵敏度），这是不可取的，尤其在假阴性比假阳性更不可容忍的医学应用中。已有多种方法应对该问题，包括平衡采样、两步训练、样本重加权和相似度损失函数。本文提出一种基于Tversky指数的广义损失函数，以解决数据不平衡问题，并在训练三维全卷积深度神经网络时实现精度与召回率之间更好的权衡。在磁共振图像多发性硬化病灶分割上的实验结果表明，测试数据的F2分数、Dice系数和精度-召回曲线下面积均得到提升。基于这些结果，我们建议将Tversky损失函数作为有效训练深度神经网络的通用框架。
引用
@article{arxiv.1706.05721,
title = {Tversky loss function for image segmentation using 3D fully convolutional deep networks},
author = {Seyed Sadegh Mohseni Salehi and Deniz Erdogmus and Ali Gholipour},
journal= {arXiv preprint arXiv:1706.05721},
year = {2017}
}