HyperAIHyperAI
il y a 17 jours

Perte Dice t-vMF adaptative pour la segmentation d'images médicales multi-classes

Sota Kato, Kazuhiro Hotta
Perte Dice t-vMF adaptative pour la segmentation d'images médicales multi-classes
Résumé

La perte de Dice est largement utilisée pour la segmentation d’images médicales, et de nombreuses fonctions de perte améliorées basées sur cette perte ont été proposées. Toutefois, des progrès supplémentaires dans la conception de la perte de Dice restent envisageables. Dans cette étude, nous réexaminons l’utilisation de la perte de Dice et découvrons qu’elle peut être réécrite sous la forme d’une fonction de perte fondée sur la similarité cosinusienne grâce à une simple transformation d’équation. À partir de cette observation, nous proposons une nouvelle perte de Dice, nommée t-vMF Dice, basée non pas sur la similarité cosinusienne, mais sur la similarité t-vMF. En s’appuyant sur cette similarité t-vMF, la perte de Dice proposée s’exprime sous une forme plus compacte que la perte de Dice originale. En outre, nous introduisons un algorithme efficace permettant de déterminer automatiquement le paramètre $κ$ de la similarité t-vMF à partir de l’exactitude sur un ensemble de validation, appelé perte de Dice adaptative t-vMF. Grâce à cet algorithme, il devient possible d’appliquer des similarités plus compactes aux classes faciles et des similarités plus étendues aux classes difficiles, permettant ainsi un apprentissage adaptatif fondé sur l’exactitude des classes. Des expériences menées sur quatre jeux de données via une validation croisée à cinq plis ont confirmé que le coefficient de score de Dice (DSC) est amélioré de manière significative par rapport à la perte de Dice originale et à d’autres fonctions de perte.

Perte Dice t-vMF adaptative pour la segmentation d'images médicales multi-classes | Articles de recherche récents | HyperAI