有效的培训中的自适应性化合物损失功能贡献控制用于医疗图像分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 图像细分对于疾病诊断和监测等临床应用至关重要.
• 深度神经网络是对细分的最先进的技术,但面临着诸如阶级不平衡等挑战.
• 复合损失函数,结合二进制交叉 (BCE) 和子损失,是常见的,但需要广泛的调整.

研究的目的:

• 开发一种有效的训练深度神经网络的方法,用于图像细分.
• 为了应对医学图像细分中的阶级不平衡的挑战.
• 为了消除复合损失函数中繁的超参数微调的需要.

主要方法:

• 提出了一种适应性方法,在训练过程中动态控制单个损失函数的贡献.
• 集成的二进制交叉 (BCE) 和 Dice 损失适应性.
• 专注于提高细分模型精度和回忆,而无需手动超参数优化.

主要成果:

• 适应性方法消除了对多次微调代的需求.
• 更有效地实现了对细分模型的预期精度和回忆.
• 减少与模型培训相关的时间和能源消耗.

结论:

• 拟议的自适应性损失功能控制是医疗图像细分中的类不平衡的有效解决方案.
• 这种方法简化了深度学习模型的培训过程.
• 能够使临床图像分析工具的开发更容易获得和资源效率更高.