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: