目录
KAPPA LOSS FOR SKIN LESION SEGMENTATION IN FULLY CONVOLUTIONAL NETWORK
摘要
- 黑色瘤病很严重需解决
- CAD诊断方式的引入
- CNN的引入,损失函数在神经网络训练中起到重要作用
- 本文提出了一种基于KAPPA系数的损失函数
- 该类损失函数较于Dice 损失函数的不同
- 基于 Kappa index提出了Kappa loss
关键字:图像分割,黑色素瘤,损失函数,一致性检验(KAPPA-agreement index),U-net
1、引言
- 黑素瘤需要在有限的时间内被检测和治疗
- 皮肤科医生通过肉眼检查痣,并提取纹理、大小和形状分析信息来确定他们的诊断。
- 皮肤科医生人工诊断的缺点
- 引入了CAD
- 传统的方法(依靠阈值、活动轮廓和区域合并)基于计算机视觉的方法对图像的质量和特征(如光照和噪声)非常敏感。
- 引入深度学习-卷积网络-损失函数-优化反向传播
- 传统的Dice 损失函数的缺点:只考虑分割对象的像素,不考虑背景像素。而且会增加训练过程的不稳定性。
本文提出的方法是基于KAPPA的,解决类别不均衡并考虑了图像的完整信息。
2、相关工作
2.1 皮肤病变图像分割
介绍了前人所做的一些工作
2.2 图像分割的损失函数
- Cross-entropy和Weighted Cross Entropy (WCE) 被广泛应用
- 参考文献(10)的试验表明,指标型loss(Dice 和Jaccard loss)优于交叉熵损失函数
- Tversky损失[12]是为了在精确度和查全率之间实现更好的权衡而提出的。
- weighted Hausdorff distance 用于目标检测
- contour loss - 3D分割
3、方法
3.1 基于指标的loss
介绍了DI的计算:
引入了K 一致性系数:
并指出,DI是k取d无限大时的极限取值:
同时表明,满足DI的假设是背景区域要远大于对象区域
由于皮肤病变的图像特征,不能满足DI的这项假设,并且正相反。
3.2 Kappa loss
设计Kappa loss,损失函数要保证可导性。
3.3 用于图像分割的CNN
本文试验的网络结构基于U-Net进行了简单的改变,对初始第一层的过滤器进行了减少,初始是64,之后改为了16.。
4、试验
数据集:6大公开数据集-图像统一调整尺寸为256*256
实验设置:
- 训练中使用了旋转、平移、剪切、缩放和翻转等数据增强技术。
- 3折交叉验证
- Adam 初始学习率为0.0001 batchsize:4
- 评判标准:DI,HD
结果:
5、结论
本文采用的方法:
在这项工作中,我们提出了一种新的基于Kappa指数的损失函数,用于CNN的医学图像分割。与骰子损失不同,该损失函数在评估预测分割时考虑了所有像素(包括背景像素)。
本文的提出与证明:
我们认为,通过对正负像素实施约束,可以提高分割精度或收敛。我们已经证明了Kappa损失可微性,并使用最先进的U-Net体系结构来实现它。我们在黑色素瘤和皮肤分割的几个公开数据集上对Kappa损失和Dice损失进行了定量比较。取得了令人振奋的结果,显示了卡帕损失的潜力。
未来的工作:
- 进一步将Kappa loss适用到多分类上
- 探索kappa loss 有效果的原因