61、医学图像分割：深度概率轮廓框架与扩散模型的多专家共识预测

医学图像分割：深度概率轮廓框架与扩散模型的多专家共识预测

深度概率轮廓框架

在医学图像分割领域，准确的肿瘤分割对于癌症的诊断和治疗至关重要。深度概率轮廓框架提出了一种名为 KsPC - Net 的新型网络，用于 2D PET 图像的分割。

损失函数

• Dice 损失函数 ：Dice 相似系数广泛用于评估分割模型，使用 Dice 损失函数来优化模型性能。其定义为：
  [L_{dice}(y, \hat{y}) = 1 - \frac{2 \sum_{i}^{N} y_{i}\hat{y} {i}}{\sum {i}^{N} y_{i} + \sum_{i}^{N} \hat{y} {i} + \epsilon}]
  其中，(y {i}) 是专家标注的标签，(\hat{y}_{i}) 是第 (i) 个像素的预测标签，(N) 是像素总数，(\epsilon) 是一个小常数，以防止除零错误。
• 加权 Dice 损失 ：构建加权 Dice 损失来训练模型，公式如下：
  [L_{final} = \alpha * L_{CNN} + (1 - \alpha) * L_{KsPC}]
  其中，(L_{final}) 表示加权 Dice 损失，(L_{CNN}) 和 (L_{KsPC}) 分别表示 CNN 损失和 KsPC 损失，(\alpha) 是平衡参数，在本工作中设置为 0.01。

实验

• 数据集