[论文解读] Boundary Difference Over Union Loss For Medical Image Segmentation

Fan Sun, Zhiming Luo+1 more|arXiv (Cornell University)|Aug 1, 2023

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

该论文提出边界差分交并比损失（Boundary DoU Loss），一种新颖的可微分损失函数，通过基于区域的计算聚焦于边界区域，提升医学图像分割性能。该损失通过最小化错位边界区域与部分并集区域的比值，显著提升边界分割精度，在ACDC和Synapse数据集上实现最先进性能，无需额外损失函数或超参数调优（仅需调整α），Dice分数最高提升2.30%，边界IoU显著改善。

ABSTRACT

Medical image segmentation is crucial for clinical diagnosis. However, current losses for medical image segmentation mainly focus on overall segmentation results, with fewer losses proposed to guide boundary segmentation. Those that do exist often need to be used in combination with other losses and produce ineffective results. To address this issue, we have developed a simple and effective loss called the Boundary Difference over Union Loss (Boundary DoU Loss) to guide boundary region segmentation. It is obtained by calculating the ratio of the difference set of prediction and ground truth to the union of the difference set and the partial intersection set. Our loss only relies on region calculation, making it easy to implement and training stable without needing any additional losses. Additionally, we use the target size to adaptively adjust attention applied to the boundary regions. Experimental results using UNet, TransUNet, and Swin-UNet on two datasets (ACDC and Synapse) demonstrate the effectiveness of our proposed loss function. Code is available at https://github.com/sunfan-bvb/BoundaryDoULoss.

研究动机与目标

• 解决缺乏有效、独立的损失函数专门优化医学图像分割中边界区域的问题。
• 开发一种可微分的损失函数，直接针对边界区域，无需依赖辅助损失或复杂架构。
• 通过基于目标大小的自适应注意力机制，提升对小尺寸或不规则形状器官等挑战性边界区域的分割性能。
• 通过基于区域的计算而非基于距离或不可微操作，确保训练稳定性和实现简便性。
• 在仅使用所提出的损失函数的前提下，于多种模型（UNet、TransUNet、Swin-UNet）和数据集（ACDC、Synapse）上展示一致的性能提升。

提出的方法

• 通过固定宽度的腐蚀操作（基于图像对角线长度的0.5%）定义边界区域，近似真实标签和预测掩码的内边界。
• 将边界DoU损失公式化为对称差集（G ∪ P − G ∩ P）与部分并集集（G ∪ P − α·G ∩ P）的比值，其中α < 1控制交集区域的影响。
• 将α设为可学习超参数，基于目标大小自适应调整，通过大小感知缩放机制在小目标中增强对边界区域的关注。
• 通过避免在损失计算中使用不可微操作（如腐蚀），确保可微性，支持端到端反向传播。
• 将损失直接集成到标准训练流程中，无需额外损失组件或复杂调度策略。
• 使用标准张量操作（并集、交集、减法）实现损失，便于在PyTorch及其他深度学习框架中快速部署。

实验结果

研究问题

• RQ1 一种可微分的、基于区域的损失函数是否能有效提升医学图像分割中的边界分割性能，而无需依赖辅助损失？
• RQ2 与标准损失函数（如Dice、CE、Tversky）相比，所提出的边界DoU损失在边界对齐和整体分割质量方面表现如何？
• RQ3 基于目标大小的自适应注意力机制在小尺寸或复杂形状解剖结构上的性能提升程度如何？
• RQ4 边界DoU损失是否能在多种数据集和模型架构下，同时提升大目标和小目标的性能？
• RQ5 该损失是否能在保持或提升Dice分数和Hausdorff距离等标准指标的同时，持续提升边界IoU？

主要发现

• 在Synapse数据集上，与Dice Loss相比，边界DoU Loss使UNet、TransUNet和Swin-UNet的Dice分数分别提升2.30%、1.20%和1.89%。
• 边界DoU Loss在ACDC和Synapse数据集上均取得最高的边界IoU分数，证实其在优化边界对齐方面的有效性。
• 在ACDC数据集上，与基线Dice Loss相比，该损失使UNet、TransUNet和Swin-UNet的Dice分数分别提升0.62%、0.60%和0.85%。
• 定性结果表明，该损失在复杂器官（如胰腺、胃）上实现更优的边界定位，同时显著减少对小尺寸或环形结构（如右心室、心肌）的欠分割或误分割。
• 该方法在所有目标尺寸上均表现出一致的性能增益，C/S比值显示大目标和小目标均获得显著改进。
• 该方法实现了稳定的训练过程，无需额外损失组件或学习率调度，而现有边界损失（如文献(13)中的边界损失）则需对加权组合进行退火处理。