适应性邻居三重损失:通过挖掘像素信息来增强皮肤扫描数据集的细分
Mohan Xu1, Lena Wiese2,3
1Fraunhofer Institute for Toxicology and Experimental Medicine, Hannover, Germany. mohan.xu@item.fraunhofer.de.
概括
一个新的损失函数通过动态提炼像素信息来增强医疗图像细分,改善自动化,而无需额外的培训成本. 这种方法可以提高诊断系统的深度学习模型的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 深度学习显著提高了医疗图像细分自动化.
- 图像采集干扰仍然会影响细分精度.
- 减少对临床专业知识的依赖是医学诊断的一个关键目标.
研究的目的:
- 开发一种新的损失函数,以改善医疗图像细分.
- 为了解决由于采集干扰而导致当前图像分割精度的局限性.
- 提高医疗诊断系统的自动化能力.
主要方法:
- 提出了一个动态损失函数,在训练过程中挖掘特定的像素信息.
- 利用三重点概念将预测的图像边界引导到实际边界.
- 在PH2和ISIC2017皮肤镜数据集上验证了损失函数.
主要成果:
- 拟议的损失函数提高了雅卡德指数的2.42% (PH2) 和2.21% (ISIC2017).
- 使用这种损失函数的神经网络表现出优异的细分性能.
- 该方法克服了细分中的传统三重损失的局限性.
结论:
- 一个新的,具有成本效益的损失函数显著改善了图像细分中的神经网络自动化.
- 损失函数在不同的皮肤镜图像质量上是强大的.
- 它为各种神经网络提供了比现有的边界损失函数更高的有效性和稳定性.
