論文の概要: Optimization for Medical Image Segmentation: Theory and Practice when
evaluating with Dice Score or Jaccard Index
- arxiv url: http://arxiv.org/abs/2010.13499v1
- Date: Mon, 26 Oct 2020 11:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:49:13.394005
- Title: Optimization for Medical Image Segmentation: Theory and Practice when
evaluating with Dice Score or Jaccard Index
- Title（参考訳）: 医用画像分割の最適化 : diceスコアまたはjaccard indexを用いた評価法の理論と実践
- Authors: Tom Eelbode, Jeroen Bertels, Maxim Berman, Dirk Vandermeulen, Frederik
Maes, Raf Bisschops, Matthew B. Blaschko
- Abstract要約: 距離感性損失関数群内の関係について検討する。
Dice スコアと Jaccard index は相対的に絶対的に互いに近似している。
本研究は,6つの医学的セグメンテーション課題に対する広範囲な検証において,これらの結果を実証的に検証する。
- 参考スコア（独自算出の注目度）: 25.04858968806884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many medical imaging and classical computer vision tasks, the Dice score
and Jaccard index are used to evaluate the segmentation performance. Despite
the existence and great empirical success of metric-sensitive losses, i.e.
relaxations of these metrics such as soft Dice, soft Jaccard and
Lovasz-Softmax, many researchers still use per-pixel losses, such as (weighted)
cross-entropy to train CNNs for segmentation. Therefore, the target metric is
in many cases not directly optimized. We investigate from a theoretical
perspective, the relation within the group of metric-sensitive loss functions
and question the existence of an optimal weighting scheme for weighted
cross-entropy to optimize the Dice score and Jaccard index at test time. We
find that the Dice score and Jaccard index approximate each other relatively
and absolutely, but we find no such approximation for a weighted Hamming
similarity. For the Tversky loss, the approximation gets monotonically worse
when deviating from the trivial weight setting where soft Tversky equals soft
Dice. We verify these results empirically in an extensive validation on six
medical segmentation tasks and can confirm that metric-sensitive losses are
superior to cross-entropy based loss functions in case of evaluation with Dice
Score or Jaccard Index. This further holds in a multi-class setting, and across
different object sizes and foreground/background ratios. These results
encourage a wider adoption of metric-sensitive loss functions for medical
segmentation tasks where the performance measure of interest is the Dice score
or Jaccard index.
- Abstract（参考訳）: 多くの医用画像や古典的コンピュータビジョンタスクでは、DiceスコアとJaccardインデックスを使用してセグメンテーション性能を評価する。
測度に敏感な損失の存在と大きな経験的成功、すなわち、ソフトDice、ソフトJaccard、Lovasz-Softmaxのようなメトリクスの緩和にもかかわらず、多くの研究者は、セグメンテーションのためにCNNを訓練するために(重み付けされた)クロスエントロピーのようなピクセル単位の損失を依然として使っている。
したがって、目標距離は直接最適化されないことが多い。
理論的な観点から, 計量感応損失関数群内の関係を考察し, 試験時間におけるサイススコアとジャカード指数を最適化するための重み付きクロスエントロピーの最適重み付けスキームの存在を疑問視する。
Dice スコアと Jaccard インデックスは相対的に絶対的に近似するが、重み付けされたハミング類似性に対するそのような近似は見つからない。
トベルスキーの損失に対して、ソフトトベルスキーがソフトダイスと等しい自明な重量設定から外れると、近似は単調に悪化する。
これらの結果は、6つの医療区分タスクの広範な検証において実証的に検証され、diceスコアやjaccardインデックスを用いた評価において、メートル法に敏感な損失がクロスエントロピーに基づく損失関数よりも優れていることが確認できる。
これはさらに多クラス設定であり、異なるオブジェクトサイズとフォアグラウンド/バックグラウンド比にまたがる。
これらの結果は、関心のあるパフォーマンス指標がサイススコアまたはjaccardインデックスである医学的セグメンテーションタスクにおいて、メトリクスに敏感な損失関数を広く採用することを奨励する。
関連論文リスト
- Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳（メタデータ） (2023-10-30T03:45:15Z) - Robust T-Loss for Medical Image Segmentation [56.524774292536264]
本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。
提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。
実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
論文 参考訳（メタデータ） (2023-06-01T14:49:40Z) - A Generalized Surface Loss for Reducing the Hausdorff Distance in
Medical Imaging Segmentation [1.2289361708127877]
本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。
我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
論文 参考訳（メタデータ） (2023-02-08T04:01:42Z) - Theoretical analysis and experimental validation of volume bias of soft
Dice optimized segmentation maps in the context of inherent uncertainty [6.692460499366963]
最近のセグメンテーション法では、学習段階における損失関数の一部として、ソフトディースのような微分可能な代理計量を用いる。
まず、ボリューム推定を、潜在的に本質的に不確実または曖昧なセグメンテーションから導出する方法を簡潔に説明する。
ソフトなDice最適化は、Diceスコアやその他の測定値に対して改善された性能をもたらすが、本質的な不確実性の高いタスクに対してボリュームバイアスをもたらす可能性がある。
論文 参考訳（メタデータ） (2022-11-08T11:04:52Z) - Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。
AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。
提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-03T11:09:13Z) - Impact of loss function in Deep Learning methods for accurate retinal
vessel segmentation [1.1470070927586016]
我々は、深層学習アーキテクチャ(U-Net、Attention U-Net、Nested U-Net)とDRIVEデータセットを用いて、Binary Cross Entropy、Dice、Tversky、Comboの損失を比較した。
その結果,損失関数の選択には有意な差が認められた。
論文 参考訳（メタデータ） (2022-06-01T14:47:18Z) - Recall@k Surrogate Loss with Large Batches and Similarity Mixup [62.67458021725227]
微分不可能な場合、評価計量の勾配降下による直接最適化は不可能である。
本研究は,リコールにおける相異なるサロゲート損失を提案する。
提案手法は,複数の画像検索ベンチマークにおいて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-08-25T11:09:11Z) - Segmentation with Multiple Acceptable Annotations: A Case Study of
Myocardial Segmentation in Contrast Echocardiography [12.594060034146125]
我々は,複数の受理基底真理が利用できる場合にセグメント化性能を評価するために,新たな拡張Diceを提案する。
次に、ニューラルネットが心筋の一般的な特徴を学習できるように、新たな指標を損失関数にさらに組み込むことで、第2の問題を解決する。
臨床MCEデータセットの実験結果から,提案した損失関数を用いてトレーニングしたニューラルネットワークは,既存のニューラルネットワークよりも優れていることが示された。
論文 参考訳（メタデータ） (2021-06-29T17:32:24Z) - Matthews Correlation Coefficient Loss for Deep Convolutional Networks:
Application to Skin Lesion Segmentation [19.673662082910766]
ディープラーニングベースのモデルは、データのクラス不均衡に影響を受けやすい。
本稿では,スキュートクラス分布を持つシナリオにおいて,効率的であることを示す計量であるマシューズ相関係数を用いた新しい計量に基づく損失関数を提案する。
提案した損失関数は,平均Jaccard指数において,Dice損失を11.25%,4.87%,0.76%で比較した。
論文 参考訳（メタデータ） (2020-10-26T09:50:25Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。