[论文解读] High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey

Rosana El Jurdia, Caroline Petitjean+3 more|arXiv (Cornell University)|Nov 16, 2020

Advanced Neural Network Applications参考文献 34被引用 9

一句话总结

本综述提出了一种基于高级先验的损失函数，以提升基于深度学习的医学图像分割中的解剖学合理性。通过将形状、大小、拓扑结构以及结构间约束等先验知识直接嵌入损失函数，该方法增强了边界精度并减少了分割误差，对现有方法进行了系统性分类与分析。

ABSTRACT

Today, deep convolutional neural networks (CNNs) have demonstrated state of the art performance for supervised medical image segmentation, across various imaging modalities and tasks. Despite early success, segmentation networks may still generate anatomically aberrant segmentations, with holes or inaccuracies near the object boundaries. To mitigate this effect, recent research works have focused on incorporating spatial information or prior knowledge to enforce anatomically plausible segmentation. If the integration of prior knowledge in image segmentation is not a new topic in classical optimization approaches, it is today an increasing trend in CNN based image segmentation, as shown by the growing literature on the topic. In this survey, we focus on high level prior, embedded at the loss function level. We categorize the articles according to the nature of the prior: the object shape, size, topology, and the inter-regions constraints. We highlight strengths and limitations of current approaches, discuss the challenge related to the design and the integration of prior-based losses, and the optimization strategies, and draw future research directions.

研究动机与目标

• 为解决基于深度卷积神经网络的医学图像分割中持续存在的解剖学上不合理的分割问题，特别是对象边界附近的分割问题。
• 系统性地对近期将高级先验知识嵌入训练过程中损失函数的方法进行分类。
• 分析基于先验的损失函数在监督式医学图像分割中的优势、局限性及优化策略。
• 识别在设计和集成有效基于先验的损失函数方面存在的开放性挑战与未来研究方向。

提出的方法

• 根据高级先验的类型对基于先验的损失函数进行分类：对象形状、大小、拓扑结构以及结构间约束。
• 分析空间与结构先验如何被编码进损失函数，以正则化分割预测结果。
• 评估在损失层面而非网络架构或后处理阶段集成先验知识的方法。
• 调研用于训练具有先验感知损失函数的模型的优化策略，包括梯度稳定性与收敛行为。
• 比较不同形式的基于先验的损失函数，例如形状感知正则化项与拓扑一致性损失。
• 强调可微分微分在实现带先验约束的端到端训练中的作用。

实验结果

研究问题

• RQ1 不同类型的高级先验（如形状、大小、拓扑结构及结构间关系）如何影响分割性能？
• RQ2 在不损害训练稳定性的前提下，将先验知识有效集成到损失函数中的最有效策略是什么？
• RQ3 与传统损失函数相比，基于先验的损失函数在边界精度与解剖学合理性方面表现如何？
• RQ4 在设计和优化适用于多样化医学影像任务的基于先验的损失函数时，面临的关键挑战是什么？
• RQ5 在医学图像分割中，推动基于先验的损失函数发展的最有前景的未来研究方向是什么？

主要发现

• 基于先验的损失函数通过强制实现解剖学合理性，显著提升了分割精度，尤其是在对象边界附近。
• 形状与拓扑先验在减少复杂解剖结构中的分割孔洞与不规则性方面尤为有效。
• 结构间约束有助于维持相邻结构之间的空间一致性，例如在腹部或心脏MRI分割中。
• 在损失层面集成先验知识比修改网络架构或后处理更具灵活性与可训练性。
• 尽管具有优势，但在不同成像模态之间设计可微分、稳定且通用的基于先验的损失函数仍面临挑战。
• 未来工作应聚焦于可学习先验与自适应损失加权，以提升鲁棒性与泛化能力。