Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation

Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation

Hao Zheng

IEEE Transactions on Medical Imaging

Abstract

自动气道分割是术前诊断和术中肺部干预导航的先决条件。由于外周支气管的体积小、空间分布分散，并且由于前景和背景区域之间的严重类别不平衡，使得基于CNN的方法难以解决远端小气道的分割问题。在本文中，我们证明了这个问题是由领域体素的梯度侵蚀和膨胀引起的。**在反向传播过程中，如果前景梯度与背景梯度的比值很小，而类不平衡是局部的，则前景梯度会被他们的领域侵蚀。**这个过程累积地增加了从顶层到底层的梯度流中包含的噪声信息，限制了CNN中小结构的学习。为了缓解这个问题，我们使用组监督和相应的WingsNet来提供互补的梯度流来增强浅层的训练。为了进一步解决大气道和小气道之间的类内不平衡，我们设计了一个通用联合损失函数，通过基于距离的权重消除气道大小的影响，并通过基于距离的权重消除气道大小和影响，并根据学习过程自适应调整梯度比。在公共数据集上的大量实验表明，所提出的方法可以比基线预测具有更高的准确性和更好形态完整性的气道结构。

Problems

1. 引入梯度侵蚀和膨胀来阐明在分割中采用 CNN 时类不平衡的影响。在两个公共数据集上进行的大量实验证明了我们方法的有效性。
2. 提出了一种新颖的监督流来增强在严重的类间不平衡下浅层的训练。WingsNet 是通过将提议的组监督与编码解码结构相结合来构建的
3. 提出了通用联合损失来处理基于距离的权重的类内不平衡，并将元素侧重于难以分割的区域

Methods

Group Supervision

利用深监督来解决严重类别不平衡问题，卷积层的堆栈是梯度侵蚀和膨胀问题的主要原因

先前工作：

1. 通过减少网络深度来解决远端小气道丢失是低效的，因为这也削弱了模型的表示能力
1. 如果对每一层都施加深监督，这种密集监督可能会对层次表示（多尺度）的学习产生副作用

对远端的小气道保留会更好，收益于梯度的补充

WingsNet

### General Union Loss

Dice Loss + Tversky Loss

Tversky Loss：衡量图像分割模型预测结果与真实标签之间差异的损失函数。它基于Tversky指数，该指数是一种用于衡量两个集合之间相似性的指标

​