阅读《Enhancing Foreground Boundaries for Medical Image Segmentation》

《Enhancing Foreground Boundaries for Medical Image Segmentation》

针对分割边界问题，可提升边界的分割质量。
论文：https://arxiv.org/abs/2005.14355

---

---

前言

文章提出了一个边界增强损失，以进一步提高边界区域的分割质量。并且所提出的损失函数轻量、易实现且无需任何前处理或后处理。思路为将拉普拉斯滤波器L(·)（见下式）应用到分割Mask中，拉普拉斯滤波器在边界区域周围产生强响应，在其他地方产生零响应。

---

主要实现

离散的拉普拉斯滤波器可以通过标准的三维卷积运算来实现。因此，可以很容易地计算出真值的滤波输出和神经网络预测的掩膜的滤波输出。最小化两个滤波输出的差异可以隐式地缩小真值和预测Mask之间的差距。因此，边界增强损失定义为下式中的L2范数形式，记为$l_{BE}$。同时可以有效地抑制远离边界区域的假阳错误，并消除远离边界区域的异常值。
其具体实现为一系列单通道3×3×3无偏置的卷积运算。前三个连续的卷积层的卷积核是相同的，是常数值1/27，用于平滑。最后一个卷积核具有标准三维离散拉普拉斯核的固定值。$l_{BE}$中所有卷积核参数都是不可训练的。整个运算与高斯-拉普拉斯(LoG)滤波的边缘检测相似。整体分割损失函数用了dice loss 和所提出的边界增强loss的结合。定义如下：
文章将${\lambda }_1$和${\lambda }_2$分别设为1和1000进行实验。

---

总结

该文章从传统拉普拉斯边缘检测算子出发，改进Loss function进行优化分割边缘信息，也可考虑其他可能的边缘检测算子是否可以通过采用同样的方法来定义优化的边缘损失函数。