上-k 下 所有但 σ 医疗图像分割损失策略
Corneliu Florea1, Laura Florea1, Constantin Vertan1
1Image Processing and Analysis Laboratory (LAPI), National University of Science and Technology Politehnica Bucharest, 313 Splaiul Independenţei, 060042 Bucharest, Romania.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
这项研究引入了一种用于医疗图像细分的新损失函数,通过使用top-k和bottom-all策略,在有噪音的像素数据的具有挑战性的情况下提高准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医疗图像细分至关重要,但经常受到像素级别的杂注释和有限数据的阻碍.
- 现有的方法难以应对这些挑战,影响了细分精度.
研究的目的:
- 引入一种来自Top-k损失策略的新型损失函数封面,以改进医疗图像细分.
- 为了应对杂的像素级注释和语义细分任务中的有限数据的挑战.
主要方法:
- 开发了一个新的损失函数封面,在图像层面使用Top-k策略,在像素层面使用"Bottom all but σ"策略.
- 实施了衍生式平滑程序来处理自动学习差异中的不连续性.
- 用各种骨干模型测试了这种方法,包括卷积神经网络 (CNN) 和视觉转换器 (ViT).
主要成果:
- 在细分烧伤的皮肤区域,超声波中的胎儿腹部结构和MRI中的心脏结构方面取得了性能改善.
- 在多种医学成像模式和解剖区域中成功应用.
- 验证了该方法在具有降低注释质量的具有挑战性的细分任务中的有效性.
结论:
- 拟议的机制通过选择性强调损失值,通过补充策略来增强模型培训.
- 这种方法在困难的细分场景中尤其有利,比如杂或不一致的像素级注释.
- 该方法在CNN和ViT架构中显示了一致的性能.
