论文标题：A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image Segmentation

论文链接：https://arxiv.org/abs/2102.04525

作者单位：剑桥大学 & 英国剑桥癌症研究所

本文提出一种新的组合损失函数：Mixed Focal loss，它是从Focal loss 和Focal Dice loss损失函数的变体派生而来的，在多个数据集和分割网络上验证性能提升明显！

自动分割方法是医学成像分析的重要进展。机器学习技术，尤其是深度神经网络，对于从细胞亚细胞到器官系统水平的大多数自动化医学图像分割任务来说，都是最先进的技术。与规模无关，与器官尤其是肿瘤有关的阶级不平衡问题构成了重大挑战，相对于背景而言，它们通常占据的体积要小得多。分割算法训练中使用的损失函数对类不平衡的鲁棒性有所不同，基于交叉熵的损失比基于Dice的损失受到的影响更大。在这项工作中，我们首先在公开可用的肾脏肿瘤分割2019（KiTS19）计算机断层扫描数据集上对七个不同的基于Dice的和基于交叉熵的损失函数进行实验，然后进一步评估在脑肿瘤分割中表现最出色的三个损失函数2020（BraTS20）磁共振成像数据集。根据我们研究的结果，我们提出了Mixed Focal Loss Function，这是一种新的复合损失函数，它是从Focal loss 和Focal Dice loss损失函数的变体派生而来的。我们证明了我们提出的损失函数与更好的召回精度平衡相关联，在二进制和多类图像分割中均明显优于其他损失函数。重要的是，提出的Mixed Focal Loss函数对于明显的类别失衡具有鲁棒性。此外，我们展示了使用复合损失而不是其组件损失的好处，以及focal变量相对于其他变量所提供的改进。

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