ECCVSep, 2022

胎儿 MRI 中具有模糊和复杂边界结构的轮廓骰子损失

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 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

  • 基于 BOLD Fetal MRI 时间序列的胎盘形状感知分割

    通过机器学习分割方法，本文对胎盘 BOLD MRI 进行准确的分割，并在多种目标函数上进行全面评估。研究结果表明，边界加权可以提高胎盘分割性能。

    Dec, 2023

  • 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

  • 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

  • 高度不平衡分割的边界损失

    基于轮廓空间的边界损失可弥补高度不平衡问题，结合标准区域损失，实现 N 维分割的深度网络架构，显著提高训练稳定性。

    Dec, 2018

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019