文档摘要：以UNet作为主干网络的少样本学习在医学图像分割领域广泛应用,但稀少的数据样本带来了数据失衡问题.为了解决该问题,提出一种采用不对称聚焦加权Dice损失用于腹部CT图像训练分割.通过在Dice损失中引入不对称结构思想和同方差不确定性策略,用以重新加权损失项,缓解数据失衡问题,在Synapse和AbdomenCT-1K腹部多器官数据集上比联合Dice和交叉熵损失函数的基线方法,平均Dice分数分别提升2.01%和2.75%.应用至最先进分割模型和3D图像数据集上的实验结果表明,采用本文所提方法,不但有更高的分割性能,而且可视化结果更平滑不嘈杂.
Abstract：TheU-Net,servingasthebackbonenetwork,iswidelyappliedinthefieldofmedicalimagesegmentationforfew-shotlearning.However,lackofadequatedatacausedataimbalanceproblem.Toaddresstheproblem,weproposeAsymmetricFocusedWeightedDiceLossfunction.Tosolvetheproblem,weproposeamethodusingAsymmetricFocusWeightedDicelossforabdominalCTimagesegmentation.WemitigatethedataimbalancebyintroducingtheasymmetricstructureideaandhomoscedasticuncertaintystrategyinDiceloss,whichisusedtoreweightthelossterm.ourmethodimprovestheaverageDicescoresby2.01%and2.75%overthebaselinemethodwithjointDiceandcross-entropylossfunctionsonSynapseandAbdomenCT-1Kabdominalmultiorgandatasets,respectively.Experimentalresultsonapplicationstostate-of-the-artsegmentationmodelsand3Ddatasetsshowthatmodelsusingourmethodnotonlyhavehighersegmentationperformance,butalsohavesmootherandlessnoisyvisualizationresults.
作者：郭逸凡 林佳成 潘济 蒋婷 Author：GUOYifan LINJiacheng PANJi JIANGTing
作者单位：西南交通大学希望学院信息工程系,成都610400厦门理工学院计算机与信息工程学院,福建厦门361024吉利学院智能科技学院,成都641423
刊名：智能计算机与应用
Journal：IntelligentComputerandApplications
年，卷(期)：2024, 14(7)
分类号：TP391.41
关键词：医学图像分割 数据失衡 Dice损失
Keywords：medicalimagesegmentation dataimbalance Diceloss
机标分类号：TP391.41O212.1R617
在线出版日期：2024年7月22日
基金项目：采用不对称聚焦加权Dice损失分割腹部CT图像[
期刊论文] 智能计算机与应用--2024, 14(7)郭逸凡 林佳成 潘济 蒋婷以UNet作为主干网络的少样本学习在医学图像分割领域广泛应用,但稀少的数据样本带来了数据失衡问题.为了解决该问题,提出一种采用不对称聚焦加权Dice损失用于腹部CT图像训练分割.通过在Dice损失中引入不对称结构思想和同...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
关键词：医学图像分割,数据失衡,Dice损失,
|
|
1
