一个新的实例级损失函数家族用于改善实例级细分和检测白质超强度在常规临床大脑MRI中
Muhammad Febrian Rachmadi1, Michal Byra2, Henrik Skibbe3
1Brain Image Analysis Unit, RIKEN Center for Brain Science, Wako-shi, Japan; Faculty of Computer Science, Universitas Indonesia, Depok, Indonesia.
Computers in biology and medicine
|April 10, 2024
概括
我们开发了新的实例丢失函数,以改善神经网络训练,用于对生物医学图像中的对象进行细分和检测. 将这些功能结合在整体模型中显著提高了性能,特别是对于不同尺寸的对象.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 生物医学成像中的实例级细分和检测面临着不同物体数量和大小的挑战.
- 传统的像素级损失函数可能无法最佳地捕捉特定实例的特征.
研究的目的:
- 引入一种新的实例丢失函数家族,以增强神经网络训练,用于对象实例细分和检测.
- 改善生物医学图像中不同尺寸和数量的物体的细分和检测.
主要方法:
- 提出了四个实例丢失函数:L_instance,L_center,L_false,和L_proximity. 这四个实例丢失函数包括:L_instance,L_center,L_false和L_proximity.
- 与传统的损失函数对比这些函数单独和集成模型.
- 利用来自阿尔茨海默病神经成像计划 (ADNI) 和WMH细分挑战的数据集来对白质超强度细分.
主要成果:
- 组合模型结合了两个实例级损失函数,在ADNI和WMH细分挑战数据集上表现优于传统的损失函数.
- 实例损失函数在细分不同大小的白质超强度 (WMH) 中表现出有效性.
- 通过改善细胞核细分在组织病理学图像中显示的概括性,即使在较不严重的实例失衡的情况下.
结论:
- 拟议的实例丢失函数为生物医学成像中的实例级细分和检测提供了重大进步.
- 利用这些实例损失函数的集成推理模型为细分和检测各种大小的对象提供了卓越的性能.
- 这些功能在不同的生物医学成像任务和数据集中是有效的和可概括的.
