[论文解读] Boundary loss for highly unbalanced segmentation

Hoel Kervadec, Jihene Bouchtiba+4 more|Espace ÉTS (ETS)|Dec 17, 2018

Advanced Neural Network Applications被引用 6

一句话总结

本文提出一种用于高度不平衡医学图像分割的边界损失，该损失基于轮廓距离而非区域像素和，从而提升了训练稳定性和性能。通过使用网络的Softmax输出将轮廓上的非对称L2距离表达为区域积分，该方法可轻松集成到现有网络中，并在WMH和ISLES等不平衡数据集上显著提升了Dice分数和稳定性。

ABSTRACT

Widely used loss functions for CNN segmentation, e.g., Dice or cross-entropy, are based on integrals over the segmentation regions. Unfortunately, for highly unbalanced segmentations, such regional summations have values that differ by several orders of magnitude across classes, which affects training performance and stability. We propose a boundary loss, which takes the form of a distance metric on the space of contours, not regions. This can mitigate the difficulties of highly unbalanced problems because it uses integrals over the interface between regions instead of unbalanced integrals over the regions. Furthermore, a boundary loss complements regional information. Inspired by graph-based optimization techniques for computing active-contour flows, we express a non-symmetric $L_2$ distance on the space of contours as a regional integral, which avoids completely local differential computations involving contour points. This yields a boundary loss expressed with the regional softmax probability outputs of the network, which can be easily combined with standard regional losses and implemented with any existing deep network architecture for N-D segmentation. We report comprehensive evaluations and comparisons on different unbalanced problems, showing that our boundary loss can yield significant increases in performances while improving training stability. Our code is publicly available: https://github.com/LIVIAETS/surface-loss .

研究动机与目标

• 解决标准区域损失函数（如交叉熵、Dice）在高度不平衡分割任务（如医学影像中小病灶检测）中出现的不稳定和性能差的问题。
• 克服由于类别不平衡导致区域损失被大背景区域主导，从而使优化过程偏向多数类的问题。
• 通过利用轮廓级别的距离度量，开发一种聚焦于边界区域（分割误差最关键的区域）的损失函数。
• 确保与任何现有深度学习架构和N维分割任务兼容，无需进行架构修改。
• 在小而罕见的结构（如白质高信号灶）分割中，同时提升分割精度和训练稳定性。

提出的方法

• 提出一种基于轮廓空间上非对称L2距离的边界损失，避免直接在轮廓点上进行计算。
• 通过网络的Softmax概率输出，将这种基于轮廓的距离表达为区域积分，从而实现与标准反向传播兼容的可微训练。
• 将边界损失形式化为仅依赖于预测和真实概率图的区域损失，使其可与任何现有CNN架构兼容。
• 通过可学习或调度的超参数α，将边界损失与标准区域损失（如广义Dice损失）以加权和的形式结合。
• 在训练过程中采用α的重平衡策略，动态调整边界损失的贡献，以提升泛化能力。
• 使用标准深度学习框架高效实现该方法，无需专用层类型或复杂后处理。

实验结果

研究问题

• RQ1 与标准区域损失相比，基于轮廓几何的损失函数是否能在高度不平衡的医学图像数据集上提升分割性能？
• RQ2 基于边界距离信息的边界损失如何影响小结构分割中的训练稳定性和收敛性？
• RQ3 在超参数调度和加权方面，将边界损失与区域损失（如广义Dice）结合的最优方式是什么？
• RQ4 边界损失是否提供一种空间正则化效应，使分割边界更平滑、更符合解剖学特征？
• RQ5 所提出的边界损失是否可有效应用于二值分割之外的多类别或多结构分割问题？

主要发现

• 在WMH数据集上，结合重平衡α策略后，边界损失将DSC从仅使用GDL时的0.210提升至0.392，表现出显著的性能提升。
• 在ISLES数据集上，采用重平衡α的边界损失实现了0.644（±0.026）的DSC，优于仅使用GDL的0.511以及所有固定α设置。
• 即使训练DSC相近，边界损失仍显著提升了验证DSC，表明泛化能力更强且过拟合更少。
• 边界损失的训练时间与标准损失相当，平均每个批次耗时0.210秒，计算开销极低。
• 边界损失使轮廓更平滑、更准确，尤其在小结构上表现突出，如图1所示，遗漏的病灶得以恢复。
• 重平衡α调度策略优于所有固定α值（包括α=1和α=2），且无需大量超参数调优即可持续提升性能。