Adaptiver t-vMF-Dice-Verlust für die Mehrklassen-Bildsegmentierung in der Medizin

Die Dice-Verlustfunktion wird weit verbreitet für die Segmentierung medizinischer Bilder eingesetzt, und es wurden zahlreiche verbesserte Verlustfunktionen basierend auf dieser Grundform vorgeschlagen. Dennoch bestehen weiterhin Verbesserungspotenziale bei der Dice-Verlustfunktion. In dieser Studie überdenken wir erneut die Anwendung der Dice-Verlustfunktion und entdecken, dass sie durch eine einfache Gleichungstransformation als Verlustfunktion unter Verwendung der Kosinus-Ähnlichkeit neu formuliert werden kann. Auf Basis dieses Erkenntnisses präsentieren wir eine neuartige t-vMF-Dice-Verlustfunktion, die anstelle der Kosinus-Ähnlichkeit die t-vMF-Ähnlichkeit nutzt. Aufbauend auf der t-vMF-Ähnlichkeit wird unsere vorgeschlagene Dice-Verlustfunktion als kompaktere Ähnlichkeitsverlustfunktion formuliert als die ursprüngliche Dice-Verlustfunktion. Darüber hinaus stellen wir einen effektiven Algorithmus vor, der den Parameter $κ$ der t-vMF-Ähnlichkeit automatisch anhand der Validierungsgenauigkeit bestimmt – die sogenannte adaptive t-vMF-Dice-Verlustfunktion. Mit diesem Algorithmus ist es möglich, für leichter zu segmentierende Klassen kompaktere Ähnlichkeiten und für schwierigere Klassen breitere Ähnlichkeiten zu verwenden, wodurch ein anpassungsfähiges Training auf Basis der Klassengenauigkeit ermöglicht wird. Durch Experimente an vier Datensätzen unter Verwendung einer fünffachen Kreuzvalidierung bestätigen wir, dass der Dice-Score-Koeffizient (DSC) im Vergleich zur ursprünglichen Dice-Verlustfunktion und anderen Verlustfunktionen weiter verbessert werden kann.