Combo Loss: 处理多器官分割中的输入和输出不平衡
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
本文研究了如何从多个未完全标记的医学影像数据集联合学习一个多器官分割网络,并提出了适用于这种情况的两种新的损失函数(边际损失和排斥损失),实验证明使用我们提出的新损失函数可以显著提高现有方法的性能,而不引入任何额外的计算。
Jul, 2020
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
我们提出了基于动态类别的损失策略来缓解高度不平衡的训练数据对分割性能的影响,通过我们的方法在具有挑战性的多类别三维腹部器官数据集上改善了分割性能。
Jun, 2024
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。
Jun, 2017
本文提出了一种用于连续器官和肿瘤分割任务的创新结构,包括一系列轻量级的、类特定的输出头,以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。
Jun, 2023
利用自我监督学习和对比学习的方法,在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型,旨在推进我们对对比学习框架的理解。具体而言,我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官(如肺和心脏)的超声图像以及大量的自然图像。我们的结果表明,与监督基线方法相比,传统的对比学习预训练可以提高性能。此外,我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明,预训练多器官数据可以提高下游任务的性能。
Feb, 2024
本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法,该方法仅需要少量标记数据,在有限标记数据场景下取得了竞争性的分割性能。
Feb, 2024
本文提出了一种联合训练的权重平均模型方法,通过利用少量器官数据集共同训练模型以实现多器官分割,该方法采用软标签以减少噪声,并通过区域遮罩进行改进,实验结果表明该方法比现有方法更优秀。
Aug, 2020
本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题,并通过特定的小器官网络准确地分割小器官,最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。
Jul, 2019