对严重失衡的损伤细分的损失函数的分析
1Brain and Mind Centre, The University of Sydney, Camperdown, NSW 2050, Australia.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
在严重失衡的数据集 (MRI) 中分析大脑损伤细分的常见损失函数,揭示了加权损失的表现类似. 沉重加权前景类梯度改善了真正的正分段.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 大脑MRI中的损伤细分通常涉及严重不平衡的数据集,损伤占图像体积的<5%.
- 标准评估方法可能会忽视随机初始化和混对细分指标的影响.
- 损失函数在训练过程中对不平衡类的动态影响经常没有被分析.
研究的目的:
- 在严重不平衡的数据集中分析大脑损伤细分的常见损失函数.
- 评估不同损失指标在培训期间对细分性能的影响.
- 了解损失函数对前景和背景类的影响的演变.
主要方法:
- 使用3D U-Net架构来减轻架构和超参数调整的变化.
- 在两个公开的大脑损伤细分数据集上评估了多个常见损失函数.
- 分析了培训过程和绩效指标,重点关注阶级不平衡.
主要成果:
- 权重损失函数在测试的数据集中显示了可比的平均性能.
- 观察到真正正分段的显著改善,当重权重前景类梯度.
- 该研究提供了关于失衡细分任务中损失函数的训练动态的见解.
结论:
- 重量减轻函数是有效的脑损伤细分与不平衡的数据.
- 在损失函数中优先考虑前景类梯度,可以提高检测准确度.
- 在培训期间进行全面的分析对于理解细分模型行为至关重要.
