Jun, 2017

使用 3D 完全卷积深度神经网络进行图像分割的 Tversky 损失函数

PDF
TL;DR本文提出了一种基于 Tversky 指数的损失函数来解决数据不平衡问题，在多发性硬化磁共振图像分割中实现更好的精确度和召回率，实验结果表明 Tversky 损失函数作为广义框架可以有效地训练深度神经网络。
convolutional neural networksimage segmentationdata imbalancemedical imagingtversky loss function
发现论文，激发创造
  • 高度不平衡医学影像分割的不对称损失函数和深度密集连接网络：以多发性硬化症病变检测为例

    本论文提出使用不对称相似度损失函数训练全卷积深度神经网络来解决医学影像分割中数据不平衡的问题，并在多个数据集上取得了最佳性能。

    Mar, 2018

  • 一种新的以焦点 Tversky 目标函数为基础的改进型 Attention U-Net 用于病灶分割

    提出了一种基于 Tversky 指数的广义 focal loss 函数来解决医学图像分割中数据不平衡的问题。在小的结构如病变方面，相较于常用的 Dice loss，我们的损失函数在精确率和召回率之间取得了更好的平衡。通过在图像金字塔中加入上下文特征，改进了 Attention U-Net 模型的性能，针对 BUS 2017 数据集和 ISIC 2018 数据集进行的实验结果显示，在占图像面积的 4.84% 和 21.4% 的情况下，与标准 U-Net 相比，分割精度分别提高了 25.7% 和 3.6%。

    Oct, 2018

  • 广义 Dice 重叠作为高度不平衡分割的深度学习损失函数

    本论文针对 2D 和 3D 分割任务中出现的标签不平衡问题，探究了几种损失函数（如加权交叉熵函数、敏感度函数、Dice 损失函数）的表现及其对学习率的敏感性，并提出使用广义 Dice 重叠作为一个强韧而准确的损失函数，来实现在不平衡任务中的类别重新平衡。

    Jul, 2017

  • Combo Loss: 处理多器官分割中的输入和输出不平衡

    本文介绍了一种基于新的课程学习的损失函数来处理深度多器官分割网络中的输入和输出不平衡问题，并在三个数据集上进行了实验，结果表明，该网络架构可以优于现有的技术。

    May, 2018

  • 基于改进的全卷积神经网络和分层 Dice 损失的脑肿瘤分割

    本研究采用多种流行的 FCNN 模型，在其基础上进行网络结构调整并使用分层 Dice 损失函数来提高基于 MRI 图像的脑肿瘤分割效果。经过大量实验对比，验证了新型网络和损失函数相比于传统方法在精度、召回率、mIoU 和 DSC 等性能指标上的有效性。

    Dec, 2017

  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 使用整体卷积网络的不平衡多类分割的广义 Wasserstein Dice 分数

    本文提出了基于 Wasserstein 距离的类别 Dice 成绩及多尺度的全面卷积神经网络，用于实现更语义化的多类别脑肿瘤分割。

    Jul, 2017

  • 指数对数损失函数用于高度不平衡物体尺寸的 3D 分割

    本文提出了一种新的网络结构和相应的损失函数，用于提高医学图像的分割效果，通过组合跳跃连接和深度监督实现快速收敛和计算效率，同时提出了指数对数损失以平衡标签，最终在 20 个标签的脑组织分割中实现了 82％平均 Dice 系数，最小和最大物体尺寸的比率为 0.14％。

    Aug, 2018

  • 整体 FDG PET/CT 图像自动病变分割的广义 Dice Focal Loss 训练的 3D 残差 UNet

    使用三维残差 UNet 模型和广义 Dice Focal Loss 函数，在 AutoPET 挑战 2023 的训练数据集上训练了五个模型，并通过平均和加权平均集成方法将其组合。在初步测试阶段，平均集成模型的 Dice 相似系数（DSC）为 0.5417，假阳性体积（FPV）为 0.8261 毫升，假阴性体积（FNV）为 0.2538 毫升；而加权平均集成模型的结果分别为 0.5417、0.8186 毫升和 0.2538 毫升。

    Sep, 2023

  • 医学图像分割的优化：在评估 Dice 分数或 Jaccard 指数时的理论和实践

    本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如 Dice 分数和 Jaccard 指数时，採用度量敏感损失函数效果更好的结论。

    Oct, 2020