论文笔记（十二）Tversky loss function for image segmentation using 3D fully convolutional deep networks

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：