[论文解读] A Novel Focal Tversky loss function with improved Attention U-Net for lesion segmentation

Nabila Abraham, Naimul Khan|arXiv (Cornell University)|Oct 18, 2018

Radiomics and Machine Learning in Medical Imaging被引用 14

一句话总结

该论文提出了一种新颖的焦点Tversky损失函数，通过结合多尺度图像金字塔改进的注意力U-Net，提升了医学图像中小病灶分割的精确率与召回率平衡。在BUS 2017数据集上，Dice分数相对提升了25.7%；在ISIC 2018数据集上提升了3.6%，优于标准U-Net结合Dice损失的性能，并在高度不平衡的数据上表现出稳定且均衡的性能。

ABSTRACT

We propose a generalized focal loss function based on the Tversky index to address the issue of data imbalance in medical image segmentation. Compared to the commonly used Dice loss, our loss function achieves a better trade off between precision and recall when training on small structures such as lesions. To evaluate our loss function, we improve the attention U-Net model by incorporating an image pyramid to preserve contextual features. We experiment on the BUS 2017 dataset and ISIC 2018 dataset where lesions occupy 4.84% and 21.4% of the images area and improve segmentation accuracy when compared to the standard U-Net by 25.7% and 3.6%, respectively.

研究动机与目标

• 解决医学图像分割中的类别不平衡问题，特别是针对仅占图像区域极小部分的小病灶。
• 改善小病理性区域语义分割中精确率与召回率之间的权衡。
• 通过将多尺度图像金字塔引入注意力U-Net架构，增强小病灶的特征表示。
• 设计一种损失函数，更好地聚焦于难分类样本（误分类的小病灶），同时抑制简单负样本。
• 在高度不平衡数据集上实现更稳定、更均衡的分割性能，降低精确率与召回率的方差。

提出的方法

• 通过将Tversky指数的倒数进行指数运算（引入超参数γ），提出焦点Tversky损失（FTL），以降低简单样本的权重，集中关注难分类的像素。
• 通过类别特定权重α和β调制Tversky指数，其中α > β，以优先减少假阴性，提升小病灶的召回率。
• 在每个编码器层引入多尺度图像金字塔输入，以保留上下文特征，防止下采样过程中小病灶细节的丢失。
• 通过跳跃连接和注意力门增强注意力U-Net，动态突出显著的病灶区域，抑制背景噪声。
• 采用混合训练策略：即使模型接近收敛，最终层仍使用Tversky损失进行监督，防止误差信号被过度抑制。
• 采用随机梯度下降配合学习率衰减，并通过网格搜索在BUS 2017和ISIC 2018数据集上对超参数（α, β, γ）进行调优。

实验结果

研究问题

• RQ1 基于Tversky指数改进的焦点损失是否能提升小病灶分割中精确率与召回率的平衡？
• RQ2 在高度不平衡数据集中，引入多尺度图像金字塔如何影响小病灶的特征表示与分割精度？
• RQ3 将焦点Tversky损失与注意力U-Net架构结合，是否能实现比标准U-Net结合Dice损失更稳定、更准确的分割？
• RQ4 损失函数设计对训练过程中收敛行为与性能稳定性有何影响，尤其是在存在大类内差异和小病灶尺寸的场景下？
• RQ5 所提方法是否能在具有不同病灶大小分布与图像复杂度的数据集上实现一致的性能提升？

主要发现

• 所提出的焦点Tversky损失（α=0.7, β=0.3, γ=4/3）相比标准Dice损失与Tversky损失，显著改善了精确率-召回率的平衡。
• 在BUS 2017数据集上，结合焦点Tversky损失的改进注意力U-Net达到0.804的Dice分数，相比基线U-Net（Dice损失）实现了25.7%的相对提升。
• 在ISIC 2018数据集上，该方法相比基线U-Net的Dice分数提升了3.6%，且标准差仅为0.7%，表明性能稳定。
• 多尺度图像金字塔提升了特征表示能力，尤其增强了小病灶的表达，减少了下采样过程中的信息丢失，提高了分割精度。
• 消融实验证实，将焦点Tversky损失与改进的注意力U-Net结合，在两个数据集上均取得了最高的Dice分数和最均衡的精确率-召回率表现。
• 该模型在ISIC 2018数据集上保持了较高的召回率（0.926），同时通过在最终层使用Tversky损失监督，避免了精确率的过度下降，维持了误差信号在接近收敛时的传播。