Distribution-aware Margin Calibration for Medical Image Segmentation

论文链接：https://arxiv.org/abs/2011.01462

本文提出了一种通用的margin 校准方法，以优化医学图像分割中的Jaccard 相似系数（IoU分数），表现SOTA！性能优于Focal loss、Tversky loss等，作者单位：悉尼科技大学

Jaccard 相似系数，也称为IoU score，是医学图像分割中最关键的评估指标之一。 但是，直接优化多个目标类别的平均IoU（mIoU）分数是一个未解决的问题。 尽管已经提出了一些算法来优化其替代，但是并不能保证其泛化能力。 在本文中，我们提出了一种新的数据分布感知余量校准方法，可以在刚性下界的基础上更好地将mIoU推广到整个数据分布。 在实践中，此方案可确保根据IoU分数获得更好的分割效果。 我们评估了在两个医学图像分割数据集上所提出的余量校准方法的有效性，显示了使用深度分割模型的IoU分数相对于其他学习方案的显著提高。

内容中包含的图片若涉及版权问题，请及时与我们联系删除