論文の概要: Dilated Balanced Cross Entropy Loss for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2412.06045v1
- Date: Sun, 08 Dec 2024 19:49:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:56:20.738534
- Title: Dilated Balanced Cross Entropy Loss for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のためのDilated Balanced Cross Entropy Loss
- Authors: Seyed Mohsen Hosseini, Mahdieh Soleymani Baghshah,
- Abstract要約: 本研究では,医療画像のセグメンテーションにおける不均衡データの問題に対処する新しい手法を提案する。
バランスの取れたクロスエントロピー(CE)損失では、各クラスに割り当てられた重みはクラス周波数の逆である。
異なるデータセットに対する実験により、提案した拡張バランスCE(DBCE)損失は、バランスCE損失よりも大きなマージンで優れていることが示された。
- 参考スコア（独自算出の注目度）: 4.851814787066438
- License:
- Abstract: A novel method for tackling the problem of imbalanced data in medical image segmentation is proposed in this work. In balanced cross entropy (CE) loss, which is a type of weighted CE loss, the weight assigned to each class is the in-verse of the class frequency. These balancing weights are expected to equalize the effect of each class on the overall loss and prevent the model from being biased towards the majority class. But, as it has been shown in previous studies, this method degrades the performance by a large margin. Therefore, balanced CE is not a popular loss in medical segmentation tasks, and usually a region-based loss, like the Dice loss, is used to address the class imbalance problem. In the pro-posed method, the weighting of cross entropy loss for each class is based on a dilated area of each class mask, and balancing weights are assigned to each class together with its surrounding pixels. The goal of this study is to show that the performance of balanced CE loss can be greatly improved my modifying its weighting strategy. Experiments on different datasets show that the proposed dilated balanced CE (DBCE) loss outperforms the balanced CE loss by a large margin and produces superior results compared to CE loss, and its performance is similar to the performance of the combination of Dice and CE loss. This means that a weighted cross entropy loss with the right weighing strategy can be as effective as a region-based loss in handling the problem of class imbalance in medical segmentation tasks.
- Abstract（参考訳）: 本研究では,医療画像のセグメンテーションにおける不均衡データの問題に対処する新しい手法を提案する。
重み付きCE損失の一種であるバランス付きクロスエントロピー(CE)損失では、各クラスに割り当てられた重みは、クラス周波数の逆である。
これらのバランスウェイトは、各クラスが全体の損失に与える影響を等しくし、モデルが多数派に偏っているのを防ぐことが期待されている。
しかし、これまでの研究で示されたように、この手法は性能を大きなマージンで劣化させる。
したがって、バランスの取れたCEは、医学的セグメンテーションタスクにおいて一般的な損失ではなく、通常、Dice損失のような地域ベースの損失は、クラス不均衡の問題に対処するために使用される。
提案手法では、各クラスのクロスエントロピー損失の重み付けは、各クラスマスクの拡張領域に基づいて、その周辺画素とともに各クラスにバランスウェイトを割り当てる。
本研究の目的は,バランスの取れたCE損失の性能が,重み付け戦略の変更によって大幅に改善できることを明らかにすることである。
異なるデータセットにおける実験により,提案した拡張バランスCE(DBCE)損失は,バランスCE損失を大きなマージンで上回り,CE損失よりも優れた結果をもたらすことが明らかとなり,その性能はDiceとCE損失の組み合わせの性能に類似している。
これは、正しい体重戦略による重み付きクロスエントロピー損失は、医学的セグメンテーションタスクにおけるクラス不均衡の問題に対処する上で、地域ベースの損失と同じくらい効果的であることを意味する。
関連論文リスト
- Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
不均衡の悪影響を軽減するために2つのプラグイン法を導入する。
まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。
第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
論文 参考訳（メタデータ） (2024-07-18T17:59:44Z) - On the Optimal Combination of Cross-Entropy and Soft Dice Losses for
Lesion Segmentation with Out-of-Distribution Robustness [15.08731999725517]
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。
論文 参考訳（メタデータ） (2022-09-13T15:32:32Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image
Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。
クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。
PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文 参考訳（メタデータ） (2022-07-11T11:43:51Z) - Robust Weight Perturbation for Adversarial Training [112.57295738113939]
オーバーフィッティングは、ディープネットワークの敵の堅牢なトレーニングにおいて広く存在する。
対向重み摂動は、堅牢な一般化ギャップを減らすのに役立つ。
重量摂動を規制する基準は、敵の訓練に不可欠である。
論文 参考訳（メタデータ） (2022-05-30T03:07:14Z) - Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for
Imbalanced Learning [97.81549071978789]
勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。
大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-04-19T08:23:23Z) - Class Distance Weighted Cross-Entropy Loss for Ulcerative Colitis
Severity Estimation [1.957338076370071]
本稿では,クラス距離重み付きクロスエントロピー (CDW-CE) と呼ばれる新しい損失関数を提案する。
本研究では,授業の順序を尊重するクラス距離重み付きクロスエントロピー(CDW-CE)と呼ばれる新しい損失関数を提案する。
論文 参考訳（メタデータ） (2022-02-09T18:47:50Z) - Striking the Right Balance: Recall Loss for Semantic Segmentation [24.047359482606307]
クラス不均衡は、セマンティックセグメンテーションのようなコンピュータビジョンアプリケーションにおける基本的な問題である。
我々は,バニラクロスエントロピー損失を変形させることにより,ハードクラスの鉱業損失を提案する。
本研究では, 標準クロスエントロピー損失と逆周波数重み付き損失との間に, 新たなリコール損失が徐々に変化することを示す。
論文 参考訳（メタデータ） (2021-06-28T18:02:03Z) - A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image
Segmentation [0.7619404259039283]
声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。
提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
論文 参考訳（メタデータ） (2021-02-08T20:47:38Z) - 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。