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:
4.gdl loss (gernalized dice loss):
,相当于标准化了,
实验结果:
使用两种类型的网络2D(unet,双通道网络)和3D(deepmedic,HighResNet)
块大小,bacthsize大小,以及对应感受野大小,以及不平衡率
不同尺度块,不同网络,以及不同损失函数所得到的dice值(相对于2D网络)
等值图(2d)(线性插值了等值图):
对于2D:
1.对于WCE和DL2处理大的学习率的时候能力不足,而ss的表现更依赖于网络.
2.10的负4次方的学习率为最佳的学习率在所有例子中.
3.根据所有的例子,小的块大的batch_size表现更佳
3D:
1.在3D网络中数据更加不平衡,WCE几乎不能训练,SS的表现严重下降,DL2在低学习率的时候表现与GDL差不多,而在高学习率的时候不能训练。
2.在学习速率方面观察到与2D情况类似的模式,学习率为10 -5在3000次迭代后不能保持较平稳的曲线。我们还观察到学习速率对较小块的网络影响更大,但是 在适当的条件下(LR = 10 -4),较小的块(和较大的批量)导致更高的整体性能
四.总结:
1.GDL更加鲁棒
2.当前的一些损失函数对轻微的数据不平衡都能很好的解决,但是当数据不平和级别上升的时候,最好的损失函数是GDL,
Generalised Dice Overlap as a Deep Learning Loss Function for Highly Unbalanced Segmentations相关推荐
- 狄利克雷损失函数实现(Dilichlet-evidential deep learning loss)
图:狄利克雷损失函数 1.狄利克雷分布可以估计样本的不确定度,在开集识别.检测领域应用广泛: def edl_loss(self, func, y, alpha, annealing_coef, ta ...
- Loss Function view
[machine learning] Loss Function view Posted on October 24, 2013 有关Loss Function(LF),只想说,终于写了 一.Loss ...
- Loss Function总结
开始比较纠结于Cost/Error Function和Loss Function之间的区别,后来发现它们在数学优化问题上其实是一回事,见这里.因此以下主要以LossFunction进行总结. 一.什么 ...
- [医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey
使用深度学习的医学图像分割:一项调查 论文地址 本综述有两个独创之处,首先,与传统的调查方法直接将医学图像分割的文献划分为多个组,并对每个组详细介绍文献的方法相比,我们将目前流行的文献按照从粗到细的多 ...
- AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck An
AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck An ...
- Image Segmentation Using Deep Learning: A Survery
图像分割综述–论文翻译 论文地址:https://arxiv.org/pdf/2001.05566.pdf 图像分割综述论文 图像分割综述--论文翻译 摘要 介绍 深度神经网络的介绍 Convo ...
- 【论文笔记-NER综述】A Survey on Deep Learning for Named Entity Recognition
本笔记理出来综述中的点,并将大体的论文都列出,方便日后调研使用查找,详细可以看论文. 神经网络的解释: The forward pass com- putes a weighted sum of th ...
- MMNet: A multi-scale deep learning network for the left ventricular segmentation of cardiac MRI imag
MMNet: A multi-scale deep learning network for the left ventricular segmentation of cardiac MRI imag ...
- 论文阅读:A Survey on Deep Learning for Named Entity Recognition
这是一篇2020年发的命名实体识别的综述性论文,从NER的语料库,定义,评估指标,到深度学习中的NER的技术都有涉及到. A Survey on Deep Learning for Named Ent ...
最新文章
- 脑电传感器并不复杂,那精度呢?
- python中的中文乱码问题深入分析
- eureka多台注册中心_微服务实战系列(五)-注册中心Eureka与nacos区别
- webpack配置es6开发环境
- 启动tomcat提示The Network Adapter could not establish the connection
- 将.NET dll注册到GAC(Global Assembly Cache)中
- Visual Studio .Net团队开发[转]
- cacti linux cpu datasource,Cacti 0.8.8b 硬盘、网络流量、cpu、内存告警配置
- maven+Tomcat热部署
- 【UCOSIII操作系统】事件篇
- 博客群建软件-关键词要如何优化才能有好的排名
- 基于SAML2.0单点登录的实现(JAVA)
- openvino踩坑记(ImportError: DLL load failed while importing ie_api)
- Manjaro 配置指南
- java斜体_Java可以指示字体是否为斜体字
- 开源、强大的Linux服务器集群管理工具,比宝塔好用!
- 基于思维导图的研究生创新能力培养
- OPENMV-STM32串口通信
- 2022第13届蓝桥杯Java省赛B组个人题解
- 从抄书到开源之巅:章亦春的程序人生(转载自微信公众号 -- 码农翻身)
热门文章
- Codeforces Round #197 (Div. 2): C. Xenia and Weights(记忆化搜索)
- bzoj 4522: [Cqoi2016]密钥破解
- HDU 5971 2016ICPC大连 A: Wrestling Match(二分图判断)
- python调试利器pysnooper
- Python实现Kubernetes Operator
- grafana将自己的数据库(hbase)设置为数据源
- python数据存储系列教程——python中mongodb数据库操作:连接、增删查改、多级路径
- 贺利坚老师汇编课程25笔记:LOOP指令看CX
- @Autowired @Qualifier
- 用户故事与敏捷方法笔记 --- 用户故事