论文阅读（12）KAPPA损失函数在全卷积网络皮肤病变分割中的应用

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