On the Optimal Combination of Cross-Entropy and Soft Dice Losses for Lesion Segmentation with Out-of-Distribution Robustness

要約

医用画像からの病変セグメンテーションに対するさまざまな損失関数の影響を研究します。
クロス エントロピー (CE) 損失は、自然画像を扱う場合に最も一般的なオプションですが、生物医学画像セグメンテーションでは、不均衡なシナリオを処理できるため、ソフト ダイス損失が好まれることがよくあります。
一方、両方の機能の組み合わせは、この種のタスクにもうまく適用されています。
あまり研究されていない問題は、分散外 (OoD) データの存在下でのこれらすべての損失の一般化能力です。
これは、トレーニング イメージとは異なる分布から抽出された、テスト時に表示されるサンプルを指します。
私たちの場合、常に病変を含む画像でモデルをトレーニングしますが、テスト時には病変のないサンプルもあります。
分布内のパフォーマンスに対するさまざまな損失関数の最小化の影響を分析しますが、内視鏡画像からのポリープのセグメンテーションと糖尿病の足の画像からの潰瘍のセグメンテーションに関する包括的な実験を通じて、OoD データに一般化する能力も分析します。
私たちの調査結果は驚くべきものです: 分散画像のセグメント化に優れた CE-Dice 損失の組み合わせは、OoD データを処理するときのパフォーマンスが低く、その堅牢性と
OoD サンプルに一般化する機能。
私たちの実験に関連するコードは、https://github.com/agaldran/lesion_losses_ood にあります。

要約(オリジナル)

We study the impact of different loss functions on lesion segmentation from medical images. Although the Cross-Entropy (CE) loss is the most popular option when dealing with natural images, for biomedical image segmentation the soft Dice loss is often preferred due to its ability to handle imbalanced scenarios. On the other hand, the combination of both functions has also been successfully applied in this kind of tasks. A much less studied problem is the generalization ability of all these losses in the presence of Out-of-Distribution (OoD) data. This refers to samples appearing in test time that are drawn from a different distribution than training images. In our case, we train our models on images that always contain lesions, but in test time we also have lesion-free samples. We analyze the impact of the minimization of different loss functions on in-distribution performance, but also its ability to generalize to OoD data, via comprehensive experiments on polyp segmentation from endoscopic images and ulcer segmentation from diabetic feet images. Our findings are surprising: CE-Dice loss combinations that excel in segmenting in-distribution images have a poor performance when dealing with OoD data, which leads us to recommend the adoption of the CE loss for this kind of problems, due to its robustness and ability to generalize to OoD samples. Code associated to our experiments can be found at https://github.com/agaldran/lesion_losses_ood .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google