适应性t-vMF子损失:用于医疗图像细分的有效扩展子损失
1Department of Electrical, Information, Materials and Materials Engineering, Meijo University, Tempaku-ku, Nagoya, 468-8502, Aichi, Japan.
Computers in biology and medicine
|December 7, 2023
概括
我们介绍了一种新的t-vMF子损失用于医疗图像细分,通过使用t-vMF相似性重新制定子损失来改进现有方法. 这种适应性方法可以提高跨各种数据集的细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 子损失是医疗图像细分的标准度量.
- 现有的子损失改进仍在探索中.
- 代数相似性可以整合到子损失公式中.
研究的目的:
- 提出一种新的t-vMF Dice损失函数,用于增强医疗图像细分.
- 开发一个可适应的算法来优化t-vMF Dice损失参数.
- 与传统的 Dice 损失相比,为了提高细分精度.
主要方法:
- 重写 Dice 损失,使用 cosine 相似性.
- 引入t-vMF相似性以获得更紧的损失函数.
- 开发一个自适应算法 (Adaptive t-vMF Dice loss),根据验证准确性自动调整参数 κ.
主要成果:
- 拟议的t-vMF子损失在二进制和多类细分数据集上实现了改善的子得分系数 (DSC).
- 适应性t-vMF子损失证明了有效的类特定相似性适应.
- 在CVC-ClinicDB,Kvasir-SEG,自动心脏诊断挑战和Synapse数据集上的实验证实了性能增长.
结论:
- 新的t-vMF子损失为细分提供了更紧,更有效的相似度衡量方法.
- 适应性t-vMF子损失使动态训练策略能够提高细分性能.
- 这种方法代表了医疗图像细分损失功能的重大进步.
