[论文解读] Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function

Muhammad Febrian Rachmadi, Charissa Poon+1 more|arXiv (Cornell University)|Apr 13, 2023

Advanced Neural Network Applications被引用 6

一句话总结

本文提出了一种新型复合损失函数——实例级与实例中心（ICI）损失，通过结合实例级和实例中心正则化，显著提升了不同尺寸生物医学图像的分割性能。该方法在脑卒中病灶分割任务中，平均Dice相似系数提升2.7%，显著优于Dice损失和blob损失。

ABSTRACT

In this paper, we propose a novel two-component loss for biomedical image segmentation tasks called the Instance-wise and Center-of-Instance (ICI) loss, a loss function that addresses the instance imbalance problem commonly encountered when using pixel-wise loss functions such as the Dice loss. The Instance-wise component improves the detection of small instances or ``blobs" in image datasets with both large and small instances. The Center-of-Instance component improves the overall detection accuracy. We compared the ICI loss with two existing losses, the Dice loss and the blob loss, in the task of stroke lesion segmentation using the ATLAS R2.0 challenge dataset from MICCAI 2022. Compared to the other losses, the ICI loss provided a better balanced segmentation, and significantly outperformed the Dice loss with an improvement of $1.7-3.7\%$ and the blob loss by $0.6-5.0\%$ in terms of the Dice similarity coefficient on both validation and test set, suggesting that the ICI loss is a potential solution to the instance imbalance problem.

研究动机与目标

• 解决生物医学图像分割中的实例不平衡问题，即大目标在小目标之上占主导地位。
• 提升在混合尺寸目标的MRI扫描中对小而稀疏实例（如脑卒中病灶）的检测能力。
• 开发一种结合实例级与实例中心监督的损失函数，以提升跨不同尺寸目标的分割精度。
• 在具有临床相关性的实际挑战数据集（ATLAS R2.0）上验证ICI损失的有效性。
• 提供一种对超参数不敏感的鲁棒损失函数，在无需大量调优的情况下表现良好，尤其适用于基于图像块和全图推理的场景。

提出的方法

• 提出一种双组件损失函数：实例级损失（L_instance）和实例中心损失（L_center），两者均按实例计算。
• L_instance通过计算预测掩码与真实掩码之间的交并比（IoU），对每个实例的假阳性和假阴性进行惩罚。
• L_center通过计算预测中心点与每个实例真实中心之间的IoU，强制实现精确定位。
• 将两种损失组合为加权和：L_ICI = a·L_instance + b·L_center，其中a、b为可学习或固定的超参数。
• 将ICI损失作为正则化项，与基础像素级损失（如Dice损失）结合，以提升训练稳定性和泛化能力。
• 使用连通域分析（CCA）从预测分割图中识别单个实例，用于实例级评估。

实验结果

研究问题

• RQ1 结合实例级与实例中心监督的复合损失函数，能否同时提升小目标与大目标的分割性能？
• RQ2 在处理生物医学图像中的实例不平衡问题时，ICI损失与标准像素级损失（如Dice损失）和实例级损失（如blob损失）相比表现如何？
• RQ3 ICI损失在不同输入尺度（全图推理 vs. 图像块推理）和不同测试集上是否保持一致的性能表现？
• RQ4 超参数权重（a, b, c）对ICI损失性能的影响如何？是否可通过简单默认设置（如a=b=c=1）实现稳健结果？
• RQ5 在包含复杂、可变尺寸病灶（如MRI中的脑卒中病灶）的真实临床数据集中，ICI损失是否具有实际有效性？

主要发现

• 在ATLAS R2.0数据集的验证集和测试集上，与Dice损失相比，ICI损失使Dice相似系数（DSC）提升了1.7%–3.7%；与blob损失相比，提升了0.6%–5.0%。
• 在测试集上，当a=1/4、b=1/2、c=1/4时，ICI损失的DSC达到0.5817，优于blob损失（0.5805）和Dice损失（0.5598），在平均DSC排名中表现最优。
• ICI损失在测试集上取得最佳平均排名（1.75），表明其在多个指标上均表现出更优的整体分割质量。
• ICI损失降低了病灶计数误差和体积差异，最佳配置（a=1, b=1, c=1）在测试集上实现了最低的病灶计数误差（4.78）和体积差异（11,564.10）。
• 无需超参数调优的简单默认权重设置（a=1, b=1, c=1）在所有评估指标上均实现了稳定提升。
• ICI损失对未见测试数据具有鲁棒性，在验证集和测试集上均表现出一致的性能增益，表明其具备强大的泛化能力。