High-Resolution Boundary Detection for Medical Image Segmentation with Piece-Wise Two-Sample T-Test Augmented Loss

要約

ディープラーニングの手法は、医療画像セグメンテーションの急速な進歩に大きく貢献しているが、その品質は損失関数の適切な設計に依存する。クロスエントロピー損失やダイス損失を含む一般的な損失関数は、しばしば境界検出が不十分であり、それによって自動診断や処置などの高解像度ダウンストリームアプリケーションを制限している。我々は、境界検出を強化するために、境界情報を反映するように調整された新しい損失関数を開発した。境界線に沿ったセグメンテーションと背景領域の間のコントラストは、自然にピクセル上の不均一性を誘導するので、我々は、そのような不均一性のための統計的検定を注入された断片的2標本t検定増強（PTA）損失を提案する。PTA損失は、t検定成分を含まないベンチマーク損失と比較して、境界検出力が向上することを実証する。

要約(オリジナル)

Deep learning methods have contributed substantially to the rapid advancement of medical image segmentation, the quality of which relies on the suitable design of loss functions. Popular loss functions, including the cross-entropy and dice losses, often fall short of boundary detection, thereby limiting high-resolution downstream applications such as automated diagnoses and procedures. We developed a novel loss function that is tailored to reflect the boundary information to enhance the boundary detection. As the contrast between segmentation and background regions along the classification boundary naturally induces heterogeneity over the pixels, we propose the piece-wise two-sample t-test augmented (PTA) loss that is infused with the statistical test for such heterogeneity. We demonstrate the improved boundary detection power of the PTA loss compared to benchmark losses without a t-test component.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL