34、用于医学图像分割的边界差异交并比损失

用于医学图像分割的边界差异交并比损失

1. 引言

医学图像分割是图像分割的重要分支，在临床诊断中可用于人体器官、组织和病变的分割。基于深度学习的方法在医学图像分割任务中取得了显著进展，包括早期基于卷积神经网络（CNN）的方法，以及近期利用Transformer的方法。

从CNN到Transformer，提出了许多不同的模型架构和训练损失函数，主要可分为三类：
- 交叉熵损失类 ：以交叉熵损失为代表，计算预测概率分布与真实标签之间的差异。Focal Loss用于处理难学习的样本。
- Dice损失类 ：Dice Loss基于预测和真实标签的交集和并集计算。Tversky Loss通过平衡精度和召回率改进了Dice Loss。广义Dice Loss将Dice Loss扩展到多类别分割。
- 边界分割损失类 ：Hausdorff距离损失用于优化Hausdorff距离，边界损失计算预测中每个点与轮廓上对应真实点之间的距离作为权重，对每个点的预测概率进行求和。然而，当前用于优化分割边界的损失函数依赖于组合不同的损失或存在训练不稳定的问题。

为了解决这些问题，受边界IoU指标的启发，提出了一种简单的边界损失——边界差异交并比损失（Boundary DoU Loss）。该损失通过类似Dice Loss的区域计算方法，提高了对边界附近区域的关注。通过计算真实标签和预测的差集来获取边界附近的误差区域，并通过减小该差集与差集和部分交集的并集的比例来减少误差。

2. 方法

2.1 边界IoU指标