Generalised Dice Overlap as a Deep Learning Loss Function for Highly Unbalanced Segmentations

一.摘要:

1.问题:无论是2D还是3D分割都会出现数据不平衡的问题

为了解决这个问题,提出了加权交叉熵损失,灵敏度损失,和dice损失

 

2.我们做了什么?

调查了不同损失函数对不平衡标签下,学习率不同的灵敏度

3.我们的成果?

提出Generalised Dice overlap,对于类不平衡系数

 

二.介绍:

概述:对于病理图像中,只有一小部分代表病变区域,所以会产生一些类别不平衡问题

现有方法:

1.提出了通过选择样本,这些样本是经过分析的[3,5]

2.另一种是提出了一些损失函数,[1,8,9].

我们的贡献:

1.调查了三个不同损失函数,如加权交叉熵,dice,灵敏度对学习率和采样率的表现

2.同时我们还提出了使用Generalised Dice

 

三.方法:

n代表一共多少个像素,p代表属于n之中的某一个像素的概率,

 

2.分类dice loss,其中e是为了防止分母为0的情况:

3.ss loss:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值