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：