Dice Semimetric Losses: Optimizing the Dice Score with Soft Labels

要約

ソフト ダイス ロス (SDL) は、医療画像コミュニティにおける多数の自動セグメンテーション パイプラインにおいて極めて重要な役割を果たしています。
ここ数年で、その優れた機能の背後にあるいくつかの理由が明らかになり、さらなる最適化が検討されてきました。
ただし、現時点では、ソフト ラベルが関係するシナリオでの直接使用をサポートする実装はありません。
したがって、SDL の使用と、モデル キャリブレーションのコンテキストにおいても、ソフト ラベルの使用を活用した研究との間の相乗効果はまだ得られていません。
この研究では、Dice セミメトリック損失 (DML) を導入します。これは、(i) ハード ラベルを使用した標準設定では設計上 SDL と同一ですが、(ii) ソフト ラベルを使用した設定でも使用できます。
公開されている QUBIQ、LiTS、および KiTS ベンチマークでの実験では、ハード ラベル (例: 多数決やランダム選択) よりもソフト ラベル (例: 平均化、ラベルの平滑化、知識の蒸留) を使用した DML の潜在的な相乗効果が確認されています。
その結果、優れた Dice スコアとモデル キャリブレーションが得られ、実際の DML の幅広い採用をサポートします。
コードは \href{https://github.com/zifuwanggg/JDTLosses}{https://github.com/zifuwanggg/JDTLosses} で入手できます。

要約(オリジナル)

The soft Dice loss (SDL) has taken a pivotal role in numerous automated segmentation pipelines in the medical imaging community. Over the last years, some reasons behind its superior functioning have been uncovered and further optimizations have been explored. However, there is currently no implementation that supports its direct utilization in scenarios involving soft labels. Hence, a synergy between the use of SDL and research leveraging the use of soft labels, also in the context of model calibration, is still missing. In this work, we introduce Dice semimetric losses (DMLs), which (i) are by design identical to SDL in a standard setting with hard labels, but (ii) can be employed in settings with soft labels. Our experiments on the public QUBIQ, LiTS and KiTS benchmarks confirm the potential synergy of DMLs with soft labels (e.g.\ averaging, label smoothing, and knowledge distillation) over hard labels (e.g.\ majority voting and random selection). As a result, we obtain superior Dice scores and model calibration, which supports the wider adoption of DMLs in practice. The code is available at \href{https://github.com/zifuwanggg/JDTLosses}{https://github.com/zifuwanggg/JDTLosses}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google