本文介绍了针对医学影像分割中前景和背景不平衡问题的Generalised Dice Loss（GDL）。GDL从Dice Loss出发，通过加权处理解决了分割任务中的性能优化难题。在BRATS数据集上的实验表明，GDL对于二分类脑肿瘤分割任务能有效提升DSC（Dice Score）评价指标。
文章 “Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations”
存在的问题：
待分割区域占据整个影像的一小部分，这种前景和背景的imbalance，会造成性能上的sub-optimal。故这篇文章在Dice Loss的基础上提出了 Generalised Dice Loss（GDL）
符号说明： rn 是label值 0 或1；pn是预测的为前景的概率值。N为整个图像的像素数。以下公式都是针对两类。
1.1 Weighted cross-entropy (WCE)
w 是加在前景类上的权重，w的定义如下：
即预测概率图中，所有像素预测为背景的概率之和/所有像素预测为前景的概率之和。
1.2 Dice loss (DL)
2579
1827
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
