FourierLoss: Shape-Aware Loss Function with Fourier Descriptors

要約

エンコーダ/デコーダ ネットワークは、さまざまな医用画像セグメンテーション タスクで一般的な選択肢となっています。
標準の損失関数を使用してトレーニングされた場合、これらのネットワークは、画像内のオブジェクトの形状の完全性を維持するように明示的に強制されません。
ただし、ネットワークのこの機能は、特にオブジェクトとその周囲の間にコントラストの差がある場合に、より正確な結果を取得するために重要です。
この問題に対応して、この研究では、FourierLoss と名付けた新しい形状認識損失関数を導入しました。
この損失関数は、オブジェクトに対して計算されたフーリエ記述子を通じて、グラウンド トゥルースと予測されたセグメンテーション マップの間の形状の相違を定量化し、ネットワーク トレーニングでこの相違にペナルティを与えることに依存しています。
これまでの研究とは異なり、FourierLoss は、トレーニング プロセスでネットワークが強制的に学習する形状詳細のレベルの重要性を制御する、トレーニング可能なハイパーパラメーターを備えた適応損失関数を提供します。
この制御は、提案された適応損失更新メカニズムによって実現されます。このメカニズムは、バックプロパゲーションによってネットワークの重みと同時にハイパーパラメーターをエンドツーエンドで学習します。
このメカニズムを使用した結果、ネットワークは、さまざまなトレーニング エポックで、オブジェクトの概要の学習から輪郭点の詳細の学習へ、またはその逆に注意を動的に変えることができます。
93 人の被験者の 2,879 枚のコンピューター断層撮影画像を対象とした私たちの実験では、提案された適応型形状認識損失関数が、対応するものと比較して、統計的に有意に肝臓セグメンテーションの結果につながることが明らかになりました。

要約(オリジナル)

Encoder-decoder networks become a popular choice for various medical image segmentation tasks. When they are trained with a standard loss function, these networks are not explicitly enforced to preserve the shape integrity of an object in an image. However, this ability of the network is important to obtain more accurate results, especially when there is a low-contrast difference between the object and its surroundings. In response to this issue, this work introduces a new shape-aware loss function, which we name FourierLoss. This loss function relies on quantifying the shape dissimilarity between the ground truth and the predicted segmentation maps through the Fourier descriptors calculated on their objects, and penalizing this dissimilarity in network training. Different than the previous studies, FourierLoss offers an adaptive loss function with trainable hyperparameters that control the importance of the level of the shape details that the network is enforced to learn in the training process. This control is achieved by the proposed adaptive loss update mechanism, which end-to-end learns the hyperparameters simultaneously with the network weights by backpropagation. As a result of using this mechanism, the network can dynamically change its attention from learning the general outline of an object to learning the details of its contour points, or vice versa, in different training epochs. Working on 2879 computed tomography images of 93 subjects, our experiments revealed that the proposed adaptive shape-aware loss function led to statistically significantly better results for liver segmentation, compared to its counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google