对损失函数的一种新型规范化方法,以减少生物医学图像细分中的实例不平衡
Muhammad Aqib Javed1, Muhammad Khuram Shahzad1, Hafiz Syed Muhammad Bilal Ali1
1Faculty of Computing, School of Electrical Engineering and Computer Science, National University of Sciences and Technology, Islamabad, 44000, Pakistan.
Computational biology and chemistry
|August 6, 2025
概括
本研究引入了一种新的双系数规范化方法,通过解决实例不平衡来改善生物医学图像细分. 该方法增强了现有的损失功能,显著提高了准确性,减少了错误检测和错过实例.
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:
- 生物医学图像细分已经显著增长,但目前的方法与不平衡的数据集作斗争.
- 现有的损失函数如Blob Loss,Lesion-wise Loss和Dice Loss都有局限性,特别是在实例失衡的情况下.
- 实例智能损失和实例中心损失 (ICI) 已开发,但受到不受管制的标签和输出的影响,导致准确性低.
研究的目的:
- 为生物医学图像细分中的损失函数引入一种新的双系数规范化方法.
- 为了更有效地应对实例不平衡的挑战,而不是现有的像素级或类级权重策略.
- 通过调整来提高现有损失函数的性能.
主要方法:
- 开发了一种新的双系数规范化方法,在损失计算之前修改预测的输出和标签.
- 这种方法用于创建增强的损失函数:规范化实例智能损失 (RIW),规范化实例中心损失 (RCI) 和规范化像素智能损失 (RPW).
- 在ATLAS R2.0和BraTS'20数据集上进行了实验.
主要成果:
- 提出的方法显著改善了现有的损失函数:RIW (高达69.16%),RCI (高达16.58%) 和RPW (67.82%).
- 观察到错误检测率大幅下降,高达97.78%.
- 错过实例的数量也减少了,证明了增强的细分精度.
结论:
- 双系数规范化方法有效地解决了生物医学图像细分中的实例不平衡.
- 增强损失函数 (RIW,RCI,RPW) 与最先进的方法相比显示出更高的性能.
- 这种方法为提高生物医学图像细分的准确性和可靠性提供了一个有希望的解决方案.
