Jul, 2022

缺失或空标签情况下的 Dice Loss: 引入 $Φ$ 和 $ε$

PDF
TL;DR本文通过理论分析与实验验证的方法，提出了一些关于 Dice Loss 函数及其导数的最佳实践方法，以实现对于医疗图像中的缺失标签和空标签的有效分割，在此过程中重点考虑了降维维度和平滑项的取值对于 Dice Loss 函数表现的影响。
dice lossmedical image segmentationmissing labelsempty labelsoptimization
发现论文，激发创造
  • 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

  • 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

  • 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

  • 噪声图像分割中的边缘阈值处理

    在考虑基于高斯场变形的噪声模型的前提下，本文针对医学图像分割中的标签噪声展开研究，提供了采样和边缘概率的计算方法，并探讨了交叉熵和软 - Dice 损失函数的理论最优解，以及如何通过阈值处理交叉熵解来恢复软 - Dice 的最优解。通过基于 TotalSegmentor 数据集的 5 折研究，验证了修改阈值可以将交叉熵的效果提升到甚至优于软 - Dice。

    Apr, 2023

  • 数据失衡的 NLP 任务的 Dice Loss

    本研究提出了一种新的 dice loss 网络训练目标替代 cross-entropy 目标，以解决 NLP 任务中数据失衡的问题，并且在多项任务中均取得了显著的性能提升。

    Nov, 2019

  • 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

  • clDice - 一种针对管状结构分割的新型保拓扑性损失函数

    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。

    Mar, 2020

  • 胎儿 MRI 中具有模糊和复杂边界结构的轮廓骰子损失

    该论文研究了采用 Contour Dice loss 对胎儿结构进行 MRI 分割的方法，并发现对于胎盘和胎脑皮层区域，该方法与其他检测方法相比表现更好。

    Sep, 2022