论文地址:Tversky loss function for image segmentation using 3D fully convolutional deep networks
摘要
首先提出,医学图像分割中的一个重要挑战是数据不平衡(data imbalance),一般情况下,病变体素(voxel)的数量远低于非病变体素的数量。这样的数据训练模型会产生高精度的结果,但是展召回率(灵敏度)低。目前已经提出了几种解决该问题的方法,包括平衡采样,两步训练,样本重加权和相似度损失函数(balanced sampling, two step training, sample re-weighting, and similarity loss functions)。在本文中,我们提出了一种基于Tversky指数的广义损失函数,以解决数据不平衡的问题,在精度和召回率之间找到更好的平衡。在磁共振图像上进行多发性硬化病灶分割的实验结果显示,测试数据中的F2评分,Dice系数和精确召回曲线下的面积均得到改善。
指出FCN的测试和训练速度很快,并使用整个样本学习局部和全局图像特征。
方法
作者通过调整tversky指数的超参数,从而可以在训练网络中强调误报,该网络在高度不平衡的数据中泛化并表现良好,因为它会导致高灵敏度,Dice,F2得分以及精确召回的区域测试集中的(PR)曲线。
基于unet: