Mar, 2020

clDice - 一种针对管状结构分割的新型保拓扑性损失函数

PDF
TL;DR介绍了一种新的相似度度量方法 centerlineDice 以及通过基于相似度度量的训练方法 soft-clDice 实现了对管状结构，如血管和神经元等的更精确分割和更好的连通性信息提取。
segmentationtubular structurescenterlinediceneural segmentationconnectivity information
发现论文，激发创造
  • 血管分割的中心线边界 Dice 损失

    中心线边界 Dice（cbDice）损失函数结合了拓扑完整性与几何细节，通过融合边界感知方面来改善几何细节识别，通过基于掩码距离的方法与边界差异联合（B-DoU）损失功能相匹配，提高对平移的敏感性，并借助血管骨架的半径信息实现对血管直径变化的均匀适应，保持分支生长和断裂的平衡。在三个不同的血管分割数据集上验证了 cbDice 的功效，包括二维和三维、二分类和多分类分割。特别是在 MICCAI 2023 TopCoW 挑战数据集中，与 cbDice 集成的方法表现出色。

    Jul, 2024

  • 基于拓扑损失的级联多任务 U-Net 用于血管分割和中心线提取

    本研究提出了一种基于深度学习的方法，用于血管分割和中心线提取，通过嵌入拓扑约束提高了预测结果的准确性。

    Jul, 2023

  • 关于内在不确定性背景下软 Dice 优化分割图的体积偏差的理论分析和实验证实

    通过理论分析和实验验证，本文比较了在 CNN 训练中使用交叉熵和 soft Dice 两种损失函数对于具有固有不确定性任务的性能影响，发现 soft Dice 优化可能会引入体积偏差，从而限制了该方法在临床上的应用。

    Nov, 2022

  • 骨架召回损失用于细管状结构连通性保持和资源高效分割

    提出了一种新的骨架召回损失，通过绕过昂贵的 GPU 计算，采用廉价的 CPU 操作，解决了薄结构分割中的计算和内存负担问题，并在保持拓扑性方面表现出卓越性能。

    Apr, 2024

  • 软骰子进行嘈杂图像分割

    本文研究医学图像分割中最受欢迎的损失函数之一：Soft-Dice loss，专注于在目标标签中存在噪声的情况下提供最优解决方案，通过阈值处理将软分割转换为硬分割可最大化 Dice 系数，实验结果证实理论结果。

    Apr, 2023

  • 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

  • Dice Semimetric Losses: 用软标签优化 Dice Score

    本文介绍了 Dice 半度量损失（DMLs），该方法与标准设置下的软 Dice Loss（SDL）相同，在软标签设置下更优。实验结果表明，使用 DMLs 与软标签相结合可获得更好的分割结果以及模型校准，有助于其在实践中的广泛应用。

    Mar, 2023

  • 论骰子损失函数的梯度及其模拟方法

    研究神经网络的监督语义分割的标准之一 --Dice 损失函数的梯度，并表明它具有非常小的动态范围，进而通过简单的元素乘法模拟它的监督方法，这一结论有助于理解和解释结果同时指导新损失函数的设计。

    Apr, 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

  • 保持拓扑结构的深度图像分割

    我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。

    Jun, 2019