Aug, 2018

指数对数损失函数用于高度不平衡物体尺寸的 3D 分割

PDF
TL;DR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％。
fully convolutional neural networksimage segmentationobject sizesloss functionbrain segmentation
发现论文，激发创造
  • 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

    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

  • 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

  • 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

  • 一种用于体积医学图像分割的 3D 粗 - 细框架

    本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

    Dec, 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

  • 基于超级图像的分割: 3D 医学图像分析中的新 2D 视角

    为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题，本文提出将体数据转化为 2D 超级图像，使用 2D 网络用于分割任务，具有实用价值和吸引更多相关研究的意义。

    May, 2022

  • 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

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 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

  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018