論文の概要: On the Optimal Combination of Cross-Entropy and Soft Dice Losses for
Lesion Segmentation with Out-of-Distribution Robustness
- arxiv url: http://arxiv.org/abs/2209.06078v1
- Date: Tue, 13 Sep 2022 15:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:57:29.030674
- Title: On the Optimal Combination of Cross-Entropy and Soft Dice Losses for
Lesion Segmentation with Out-of-Distribution Robustness
- Title（参考訳）: 分布外ロバスト性を有する病変分割のためのクロスエントロピーとソフトディス損失の最適組み合わせについて
- Authors: Adrian Galdran, Gustavo Carneiro, Miguel \'Angel Gonz\'alez Ballester
- Abstract要約: 医用画像の病変セグメント化に対する異なる損失関数の影響について検討した。
損失関数の最小化が分布内性能に与える影響を解析する。
CE-Dice損失組合せは, 分布内画像のセグメンテーションにおいて優れており, 分布外データを扱う場合, 性能が劣る。
- 参考スコア（独自算出の注目度）: 15.08731999725517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the impact of different loss functions on lesion segmentation from
medical images. Although the Cross-Entropy (CE) loss is the most popular option
when dealing with natural images, for biomedical image segmentation the soft
Dice loss is often preferred due to its ability to handle imbalanced scenarios.
On the other hand, the combination of both functions has also been successfully
applied in this kind of tasks. A much less studied problem is the
generalization ability of all these losses in the presence of
Out-of-Distribution (OoD) data. This refers to samples appearing in test time
that are drawn from a different distribution than training images. In our case,
we train our models on images that always contain lesions, but in test time we
also have lesion-free samples. We analyze the impact of the minimization of
different loss functions on in-distribution performance, but also its ability
to generalize to OoD data, via comprehensive experiments on polyp segmentation
from endoscopic images and ulcer segmentation from diabetic feet images. Our
findings are surprising: CE-Dice loss combinations that excel in segmenting
in-distribution images have a poor performance when dealing with OoD data,
which leads us to recommend the adoption of the CE loss for this kind of
problems, due to its robustness and ability to generalize to OoD samples. Code
associated to our experiments can be found at
\url{https://github.com/agaldran/lesion_losses_ood} .
- Abstract（参考訳）: 医用画像の病変セグメント化に対する異なる損失関数の影響について検討した。
自然画像を扱う際には、クロスエントロピー(CE)損失が最も一般的な選択肢であるが、バイオメディカル画像のセグメンテーションでは、不均衡なシナリオを処理できるため、ソフトディス損失が好まれる。
一方で、この2つの関数の組み合わせは、この種のタスクでもうまく適用されている。
研究の少ない問題は、アウト・オブ・ディストリビューション(OoD)データの存在下でのこれらの損失の一般化能力である。
これは、トレーニング画像とは異なる分布から抽出されたテスト時間に現れるサンプルを指す。
私たちの場合、常に病変を含む画像でモデルをトレーニングしますが、テスト時には病変のないサンプルも持っています。
各種損失関数の最小化がin-distriionパフォーマンスに与える影響を解析するとともに,OoDデータに一般化する能力を,内視鏡画像からのポリプセグメンテーションと糖尿病足部画像からの潰瘍セグメンテーションの総合的な実験により分析した。
CE-Dice損失の組み合わせは,OoDデータを扱う場合のセグメンテーション・イン・ディストリビューション・イメージに優れており,その堅牢性やOoDサンプルへの一般化能力から,このような問題に対するCE損失の導入を推奨する。
私たちの実験に関連するコードは、 \url{https://github.com/agaldran/lesion_losses_ood} にある。
関連論文リスト
- 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) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - What can we learn about a generated image corrupting its latent
representation? [57.1841740328509]
GANのボトルネックにおける潜在表現に基づいて画像品質を予測できるという仮説を考察する。
遅延表現を雑音で破壊し、複数の出力を生成することでこれを実現できる。
論文 参考訳（メタデータ） (2022-10-12T14:40:32Z) - 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) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳（メタデータ） (2022-01-29T13:45:39Z) - The Effect of the Loss on Generalization: Empirical Study on Synthetic
Lung Nodule Data [13.376247652484274]
異なる損失関数が学習される特徴に結びつき、その結果、未確認データに対する分類器の一般化能力に影響を及ぼすことを示す。
本研究は、医用画像処理タスクのためのディープラーニングソリューションの設計に関する重要な知見を提供する。
論文 参考訳（メタデータ） (2021-08-10T17:58:01Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳（メタデータ） (2020-08-03T07:56:04Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Universal Loss Reweighting to Balance Lesion Size Inequality in 3D
Medical Image Segmentation [50.63623720394348]
ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。
Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。
実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
論文 参考訳（メタデータ） (2020-07-20T12:08:22Z)
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。