医疗图像分割的不确定性和硬度加权损失函数
Yanyan Zheng1, Yabo Wu2, Jie Chen1
1Wenzhou Third Clinical Institute Affiliated to Wenzhou Medical University, Third Affiliated Hospital of Shanghai University, Wenzhou People's Hospital, Wenzhou 32500, China.
Engineering applications of artificial intelligence
|December 12, 2025
概括
这项研究引入了用于医疗图像分割的新型加权损失函数,通过专注于困难的像素来提高准确性并减少预测不确定性. 这些新方法提高了跨不同数据集的细分性能.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 准确的医学图像细分对于诊断和治疗规划至关重要.
- 当前的深度学习模型经常因未解决的像素级不确定性和硬度而面临细分错误,特别是在对象边界.
- 现有的损失函数不能充分考虑像素之间的预测难度的变化.
研究的目的:
- 开发新的不确定性和硬度加权损失函数,以改善医疗图像细分.
- 解决现有的损失函数在处理像素级预测不确定性和硬度方面的局限性.
- 提高基于深度学习的细分模型的准确性,特别是在具有挑战性的边境地区.
主要方法:
- 引入了两个像素智能的权重方案:概率引导的不确定性 (PGU) 和区域增强硬度 (REH) 权重.
- 从网络预测和基本真相之间的差异中获得权重,以强调困难的像素.
- 与Swin-Unet和V-Net架构集成了新的损失功能,用于2D和3D细分任务.
- 在四个不同的数据集上验证了方法:REFUGE,RETA,OCT和ASC.
主要成果:
- 提出的不确定性/硬度加权损失函数显著超过了传统的损失函数,如交叉 (CE) 和子损失.
- 在多个数据集和细分任务中表现出卓越的性能,表明有效性和通用性.
- 通过有效处理像素级不确定性,实现了更准确的细分,特别是在对象边界区域.
结论:
- 开发的不确定性/硬度加权损失函数代表了医疗图像细分的重大进步.
- 这些新的权重方案有效地解决了像素级预测的不确定性和硬度,从而提高了细分精度.
- 提出的方法显示了增强各种基于深度学习的医学图像分析应用的巨大潜力.
