克服基于深度学习的牙科放射图片细分的类别不平衡,具有不同的损失函数
Martha Büttner1, Lisa Schneider1, Aleksander Krasowski2
1Department of Oral Diagnostics, Digital Health and Health Services Research, Charité - Universitätsmedizin Berlin, Germany; ITU/WHO Focus Group AI4Health.
Journal of dentistry
|May 12, 2024
概括
混合损失函数有效地解决了牙科成像深度学习中的数据不平衡. 子的焦点损失在细分牙结构方面表现出卓越的表现,这对于准确的病理检测至关重要.
科学领域:
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
- 医疗成像医学成像
背景情况:
- 现实世界的数据集,特别是医学和牙科的数据集,经常表现出阶级不平衡,健康的样本数量超过了病态的样本.
- 医学图像中的病态区域通常比健康区域小,这对深度学习模型构成了挑战.
- 适当选择损失函数对于减轻深度学习中数据不平衡的影响至关重要.
研究的目的:
- 为了评估六个不同的损失函数的性能,以对牙结构细分在咬牙翼X射线图上.
- 确定各种损失函数在解决牙科深度学习应用中的类不平衡方面的有效性.
主要方法:
- 对比了六个损失函数 (焦点损失,子损失,Tversky损失和混合组合).
- 在使用三个模型架构 (U-Net,Linknet,DeepLabv3+) 的1625张咬牙翼放射图上执行了牙结构细分任务.
- 采用5倍交叉验证策略来评估不同模型架构和损失函数的性能.
主要成果:
- 混合损失函数在各种模型架构中显著优于独立损失函数.
- 子焦点损失在解决图像级和像素级类不平衡方面特别实现了高性能.
- 对于牙,牙,根管和填充等级的细分,观察到强大的结果.
结论:
- 混合损失函数是克服用于牙科应用的深度学习模型中数据不平衡的有希望的策略.
- 精确预测少数类,如病理,在牙科中至关重要,专门的损失函数可以增强这种能力.
