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
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
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
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
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。
Jul, 2022
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
本文提出了基于 Wasserstein 距离的类别 Dice 成绩及多尺度的全面卷积神经网络,用于实现更语义化的多类别脑肿瘤分割。
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
本文研究了医学图像分割中全卷积神经网络的预测不确定性估计,包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较,基于批归一化和 Dice 损失的网络置信度校准及模型集成方法,以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容,提出了用于置信度校准的实用方案,并表明模型集成可提高其置信度校准度。