相关实验视频
Updated: Jan 10, 2026

3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
适应性复合损失用于体积整心细分的体积整心细分
Krittanat Sutassananon1, Worapan Kusakunniran2, Mehmet Orgun3
1Faculty of Information and Communication Technology, Mahidol University, Nakhon Pathom, 73170, Thailand.
结合二元交叉和边界项的复合损失函数提高了医疗图像细分的准确性. 适应加权有利于U-Net,而SwinUNETR在固定加权的情况下表现最好,显示了基于架构的收益.
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:
- 准确的医学图像细分对于诊断和治疗计划至关重要.
- 现有的损失函数往往难以平衡区域重叠和精确的边界划分.
- 开发有效的损失函数是推动自动化医学图像分析的关键.
研究的目的:
- 为了评估医疗图像细分的复合损失函数.
- 为了比较结合二元交叉 (BCE) 和基于边界的损失条款的固定和自适应权重方案.
- 评估模型架构 (U-Net与SwinUNETR) 对不同损失函数的有效性的影响.
主要方法:
- 使用MM-WHS数据集进行细分任务.
- 实现了U-Net和SwinUNETR架构.
- 评估的复合损失:二元交叉 (BCE) 与基于边界的术语 (BoundaryDoU).
- 与适应性权重方案 (例如SoftAdapt) 进行比较.
主要成果:
- 对于U-Net,具有较小边界贡献的自适应加权 (90/10 BCE + BoundaryDoU) 获得了最高的子得分.
- 斯威尼特尔以固定权重比率 (70% BCE + 10% 边界) 展示了峰值性能.
- 该研究发现,基于边界的损失条款可以提高细分精度,但收益取决于架构.
结论:
- 综合损失函数整合边界信息,提高医学成像中的细分精度.
- 像U-Net这样的卷积神经网络从自适应损失加权方案中受益.
- 像SwinUNETR这样的基于变压器的模型可能需要不同的优化策略来实现边界意识的细分.
更多相关视频
09:57Four-Dimensional Computed Tomography-Guided Valve Sizing for Transcatheter Pulmonary Valve Replacement
Published on: January 20, 2022
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Computed Tomography
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
Imaging Studies for Cardiovascular System V: CT