21、医学图像分割：从CNV到脑肿瘤的创新方法

医学图像分割：从CNV到脑肿瘤的创新方法

1. CNV分割方法解析

在医学图像分割领域，CNV（脉络膜新生血管）分割是一项关键任务，对于年龄相关性黄斑变性（AMD）等疾病的诊断和治疗具有重要意义。为了更准确地进行CNV分割，研究人员提出了一种创新方法。

1.1 不确定性加权与多任务优化

该方法利用不确定性图为不确定性较高的像素分配更大的权重，这使得这些像素在模型参数更新中产生更大的影响。同时，多任务处理的引入为单张图像生成不同的不确定性权重，通过联合优化更全面地探索CNV边界特征。

在优化模型参数时，采用了多种损失函数的组合，包括二元交叉熵（BCE）损失、均方误差（MSE）损失和Dice损失。对于区域形状回归任务，仅使用BCE和MSE损失。通过将不确定性权重纳入BCE损失，对每个像素进行加权，以引导模型训练中的不确定性：
[L_{U-BCE} = -\frac{1}{N} \sum_{i=1}^{N} (1 + V_i) \cdot [y_i \log (\hat{y} i) + (1 - y_i) \log (1 - \hat{y}_i)]]
其中，$y_i$ 和 $\hat{y}_i$ 分别是像素 $i$ 的真实值和预测值。总损失函数可以表示为 $L = \sum {t} \lambda_t L_t$，其中 $L_t$ 表示第 $t$ 个任务的损失函数，$\lambda_t$ 表示损失权重，通过对相应任务的不确定性图进行平均并归一化得到，使其总和为1。

1.2 实验设置与结果

为了评估该方法的性能，研究人员使用了包含74张OCTA图像的数据集，这些图像均来自患有CNV