[論文レビュー] Segmentation Loss Odyssey

Jun Ma|arXiv (Cornell University)|May 27, 2020

Advanced Neural Network Applications参考文献 19被引用数 28

ひとこと要約

本論文は、医用画像セグメンテーションのためのディープラーニング損失関数の体系的分類を提示し、分布ベース、領域ベース、境界ベース、および複合損失関数の4つに分類している。既存の損失関数の間の構造的関係を明らかにし、特にDiceと境界損失の組み合わせを含む複合損失関数を推奨することで、極端に不均衡なセグメンテーションタスクにおいて優れたパフォーマンスを達成している。

ABSTRACT

Loss functions are one of the crucial ingredients in deep learning-based medical image segmentation methods. Many loss functions have been proposed in existing literature, but are studied separately or only investigated with few other losses. In this paper, we present a systematic taxonomy to sort existing loss functions into four meaningful categories. This helps to reveal links and fundamental similarities between them. Moreover, we explore the relationship between the traditional region-based and the more recent boundary-based loss functions. The PyTorch implementations of these loss functions are publicly available at \url{https://github.com/JunMa11/SegLoss}.

研究の動機と目的

• 医用画像セグメンテーションにおける多様な損失関数の間の関係を理解するための統一されたフレームワークの欠如に対処すること。
• 既存の損失関数を分布ベース、領域ベース、境界ベース、および複合損失関数の4つの整合的なグループに分類すること。
• 見た目が異なる損失関数の間で共有される根本的な類似性と最適化目的を明らかにすること。
• データの不均衡度とセグメンテーションの複雑さに基づいた損失関数の選定に関する実証的ガイダンスを提供すること。
• 包括的な分類と実装リポジトリを通じて、損失関数のベンチマーク手法の基盤を確立すること。

提案手法

• 分布ベース（例：交差エントロピー、フォーカル損失）、領域ベース（例：Dice、IoU、Tversky）、境界ベース（例：境界損失、ハウスドルフ距離）、複合損失関数（例：コンビネーション損失、ELL）の4カテゴリー分類を提案。
• 各損失タイプの数学的定式化を分析し、分布の類似性、領域の重なり、境界の近接性の最適化をどのように達成しているかを示している。
• 境界ベース損失が、重み付け方式の違いを除けば、領域ベース損失と構造的に関連していることを示しており、両者とも同じ不一致領域ΔMを最小化している。
• Dice、境界、ハウスドルフ損失を統一的に見ることで、同じ不一致領域ΔMを最小化するが、重み付けのメカニズムが異なることを明らかにした：陽性ピクセルの和、正解からの距離、または距離マップの組み合わせ。
• 極端なクラス不均衡に対処する際、一般化されたDice損失と境界損失の組み合わせが特に優れたパフォーマンスを示すため、複合損失関数を最適な選択と推奨する。
• 再現性とベンチマークの支援のため、https://github.com/JunMa11/SegLoss にオープンソースのPyTorch実装を提供している。

実験結果

リサーチクエスチョン

• RQ1 医用画像セグメンテーションのための既存損失関数は、最適化目的に基づいてどのように体系的に分類できるか？
• RQ2 領域ベース損失関数と境界ベース損失関数の間には、根本的な数学的および構造的関係があるか？
• RQ3 異なる定式化を持つにもかかわらず、分布ベース損失（例：交差エントロピー）と領域ベース損失（例：Dice）は、共通の最適化目標を共有しているか？
• RQ4 不均衡な医用画像セグメンテーションタスクにおいて、複合損失関数は個々の損失関数と比較してどの程度優れたパフォーマンスを示すか？
• RQ5 医用画像セグメンテーションにおいて、クラス不均衡の度合いが異なる状況でも、最も頑健なパフォーマンスを示す損失関数の組み合わせは何か？

主な発見

• 本論文は、損失関数の間の深い構造的関係を明らかにした4カテゴリー分類を確立しており、領域ベースと境界ベース損失関数がいずれも同じ不一致領域ΔMを最小化するが、重み付け戦略が異なることを示している。
• ハウスドルフ距離や境界損失などの境界ベース損失関数は、共通の不一致領域の最小化を通じてDice損失と数学的に関連しており、難易度の高いピクセルの重み付けの仕方の違いに過ぎない。
• 複合損失関数、特に一般化されたDice損失と境界損失の組み合わせは、極端に不均衡なセグメンテーションタスクで優れたパフォーマンスを示しており、Kervadecら[7]の研究でも確認されている。
• Wongら[16]の報告によると、指数関数的対数損失（ELL）は20ラベルの脳セグメンテーションタスクで標準的なDice損失や交差エントロピーを上回り、難易度の高い例に注目する損失関数の変換の利点を示している。
• 交差エントロピーとDice損失の重み付き和は、単独で使用する場合よりも一貫して優れたパフォーマンスを示しており、Taghanakら[15]とIsenseeら[5]の報告でも確認されている。これは、複合損失設計の価値を強化している。
• 著者らは、クラス不均衡に直面する際、複合損失関数を最適な選択と推奨しており、複数の最適化目的をバランスさせる能力があるからである。