blob loss: instance imbalance aware loss functions for semantic segmentation

要約

ディープ畳み込みニューラル ネットワーク (CNN) は、セマンティック セグメンテーション タスクにおいて非常に効果的であることが証明されています。
最も一般的な損失関数は、Dice 係数 (DSC) などの容積スコアの改善を目的として導入されました。
設計上、DSC はクラスの不均衡に対処できますが、クラス内のインスタンスの不均衡は認識されません。
その結果、大きなフォアグラウンド インスタンスがマイナー インスタンスを支配しながら、満足のいく DSC を生成することができます。
それにもかかわらず、小さなインスタンスを検出することは、病気の監視などの多くのアプリケーションにとって重要です。
たとえば、多発性硬化症患者の追跡調査では、小規模な病変を見つけて監視することが不可欠です。
私たちは、F1 スコアや感度などのインスタンスレベルの検出メトリクスを最大化することを主な目的とした、新しい損失関数ファミリー \emph{blob loss} を提案します。
\emph{Blob loss} は、複数のインスタンスの検出が重要となるセマンティック セグメンテーションの問題向けに設計されています。
私たちは、テクスチャと形態の観点から顕著なインスタンスの異質性を特徴とする 5 つの複雑な 3D セマンティック セグメンテーション タスクで、DSC ベースの \emph{blob loss} を広範囲に評価しました。
ソフト Dice 損失と比較して、MS 病変では 5% の改善、肝臓腫瘍では 3% の改善、F1 スコアを考慮した顕微鏡セグメンテーションタスクでは平均 2% の改善を達成しました。

要約(オリジナル)

Deep convolutional neural networks (CNN) have proven to be remarkably effective in semantic segmentation tasks. Most popular loss functions were introduced targeting improved volumetric scores, such as the Dice coefficient (DSC). By design, DSC can tackle class imbalance, however, it does not recognize instance imbalance within a class. As a result, a large foreground instance can dominate minor instances and still produce a satisfactory DSC. Nevertheless, detecting tiny instances is crucial for many applications, such as disease monitoring. For example, it is imperative to locate and surveil small-scale lesions in the follow-up of multiple sclerosis patients. We propose a novel family of loss functions, \emph{blob loss}, primarily aimed at maximizing instance-level detection metrics, such as F1 score and sensitivity. \emph{Blob loss} is designed for semantic segmentation problems where detecting multiple instances matters. We extensively evaluate a DSC-based \emph{blob loss} in five complex 3D semantic segmentation tasks featuring pronounced instance heterogeneity in terms of texture and morphology. Compared to soft Dice loss, we achieve 5% improvement for MS lesions, 3% improvement for liver tumor, and an average 2% improvement for microscopy segmentation tasks considering F1 score.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google