论文分享 Unified Focal loss: Generalising Dice and cross entropy-based losses to handle class

Department of Radiology, University of Cambridge, Cambridge CB2 0QQ, United Kingdom
School of Clinical Medicine, University of Cambridge, Cambridge CB2 0SP, United Kingdom

摘要

自动分割方法是医学图像分析的重要进步。机器学习技术，尤其是深度神经网络，是大多数医学图像分割任务的最新技术。类别不平衡的问题对医学数据集提出了重大挑战，相对于背景，病变通常占据相当小的体积。深度学习算法训练中使用的损失函数在对类别不平衡的鲁棒性上有所不同，对模型收敛有直接影响。最常用的分割损失函数是基于交叉熵损失、骰子损失或两者的组合。

我们提出了Unified Focal loss，这是一个新的层次框架，它概括了骰子和基于交叉熵的损失来处理类不平衡。我们在五个公开可用的、类别不平衡的医学成像数据集上评估我们提出的损失函数：CVC-ClinicDB、用于血管提取的数字视网膜图像 (DRIVE)、2017 年乳腺超声 (BUS2017)、2020 年脑肿瘤分割 (BraTS20) 和 2019 年肾肿瘤分割（套件 19）。我们将我们的损失函数性能与六个 Dice 或基于交叉熵的损失函数进行比较，跨越 2D 二元、3D 二元和 3D 多类分割任务，证明我们提出的损失函数对类不平衡具有鲁棒性，并且始终优于其他损失函数。

Source code is available at: https://github.com/mlyg/unified-focal-loss.

图 1：我们提出的框架统一了各种基于分布的、基于区域的和复合损失函数。箭头和相关的超参数值表示为前面的损失函数设置所需的超参数值，以便恢复得到的损失函数。