Jul, 2024

血管分割的中心线边界 Dice 损失

PDF
TL;DR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。
vascular segmentationcldicecbdicegeometric detail recognitionradius information
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用基于实例和实例中心的分割损失函数提高生物医学图像中不同大小对象的分割

    本文提出了一种新的生物医学图像分割任务的两组分损失函数，称为实例和实例中心（ICI）损失，该损失函数解决了常常使用像素损失函数（如 Dice 损失）时遇到的实例不平衡问题。ICI 的实例部分改进了具有大型和小型实例的图像数据集中 “Blob” 的小实例检测。实例中心组件提高了整体检测精度。笔者将 ICI 损失与已有的 Dice 损失和 Blob 损失进行了比较，用于 MICCAI 2022 的 ATLAS R2.0 挑战数据集的卒中损伤分割任务。相对于其他损失，ICI 损失提供了更平衡的分割，并在验证集和测试集上的 Dice 相似系数方面比 Dice 损失提高了 1.7-3.7％，比 Blob 损失提高了 0.6-5.0％，这表明 ICI 损失是解决实例不平衡问题的潜在解决方案。

    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

  • 医学图像分割的边界差异联合损失

    医学图像分割关键在于边界区域的准确性，本文提出了一种简单有效的损失函数用于边界区域分割，并通过实验验证了其有效性。

    Aug, 2023

  • 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

  • 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