Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation
Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation
Hao Zheng
IEEE Transactions on Medical Imaging
Abstract
自动气道分割是术前诊断和术中肺部干预导航的先决条件。由于外周支气管的体积小、空间分布分散,并且由于前景和背景区域之间的严重类别不平衡,使得基于CNN的方法难以解决远端小气道的分割问题。在本文中,我们证明了这个问题是由领域体素的梯度侵蚀和膨胀引起的。**在反向传播过程中,如果前景梯度与背景梯度的比值很小,而类不平衡是局部的,则前景梯度会被他们的领域侵蚀。**这个过程累积地增加了从顶层到底层的梯度流中包含的噪声信息,限制了CNN中小结构的学习。为了缓解这个问题,我们使用组监督和相应的WingsNet来提供互补的梯度流来增强浅层的训练。为了进一步解决大气道和小气道之间的类内不平衡,我们设计了一个通用联合损失函数,通过基于距离的权重消除气道大小的影响,并通过基于距离的权重消除气道大小和影响,并根据学习过程自适应调整梯度比。在公共数据集上的大量实验表明,所提出的方法可以比基线预测具有更高的准确性和更好形态完整性的气道结构。
Problems
- 引入梯度侵蚀和膨胀来阐明在分割中采用 CNN 时类不平衡的影响。在两个公共数据集上进行的大量实验证明了我们方法的有效性。
- 提出了一种新颖的监督流来增强在严重的类间不平衡下浅层的训练。WingsNet 是通过将提议的组监督与编码解码结构相结合来构建的
- 提出了通用联合损失来处理基于距离的权重的类内不平衡,并将元素侧重于难以分割的区域
Methods
Group Supervision
利用深监督来解决严重类别不平衡问题,卷积层的堆栈是梯度侵蚀和膨胀问题的主要原因
先前工作:
1. 通过减少网络深度来解决远端小气道丢失是低效的,因为这也削弱了模型的表示能力
1. 如果对每一层都施加深监督,这种密集监督可能会对层次表示(多尺度)的学习产生副作用
对远端的小气道保留会更好,收益于梯度的补充
WingsNet
### General Union Loss
Dice Loss + Tversky Loss
Tversky Loss:衡量图像分割模型预测结果与真实标签之间差异的损失函数。它基于Tversky指数,该指数是一种用于衡量两个集合之间相似性的指标
Alleviating Class-wise Gradient Imbalance for Pulmonary Airway Segmentation相关推荐
- 论文翻译与总结:Relational modeling for robust and efficient pulmonary lobe segmentation in CT scans
目录 前言 一.介绍 二.数据 三.方法 1.级联关系U-Net 2.关系U-Net 3.非局部模块 4.Online Hard Example Mining(OHEM算法) 5.学习目标 四.实验 ...
- 2021医疗图像科技前言热点调查表
亮点 IEEE Transactions on Medical Imaging文献跟踪 2021年9月 • 40卷 • 第9期 可视化分析: 实验方式: ...
- 计算机视觉与模式识别学术速递[2022.9.20]
Transformer(12篇) [1] Real-time Online Video Detection with Temporal Smoothing Transformers 标题:基于时间平滑 ...
- (三十 :2021.01.11)MICCAI 2018 追踪之论文纲要(上)
讲在前面 这部分是PART I和PART II. 论文目录 PART I Image Quality and Artefacts(图像质量和伪影) 概要 1.Conditional Generativ ...
- (十八:2020.10.10)MICCAI 2020 追踪之论文纲要(译)<上>
讲在前面 暂时先更新PART I, 持续更新. 论文目录 PART I <Machine Learning Methodologies 机器学习方法> 论文 概要 1.Attention, ...
- (二十九:2021.01.10)MICCAI 2019 追踪之论文纲要(下)
讲在前面 这部分是PART V和PART VI. 论文目录 PART V Computer-Assisted Interventions(计算机辅助干预) 概要 1.Robust Cochlear M ...
- A review of 3D vessel lumen segmentation techniques: Models, features and extraction schemes
强调方式 粗体:定理或者结论 背景:方法方案 下划线:名词 Vascular diseases are among the most important public health problem ...
- 四两拨千斤!深度主动学习综述2020
本文转载自知乎,为最近新出的论文 A Survey of Deep Active Learning 中文版介绍,原文作者调研了189 篇文献综述了深度主动学习的进展.文章较长,建议先收藏再阅读. ht ...
- ICIP 2009 Papers
以下转载ICIP 2009录用文章的题目,希望从其中能够发现有用的信息.想来当初也是打算投一个的,可是怎么看总觉得创新不够,后来也就放弃了.争取以后的机会吧. 粗略看了下标题,感觉不愧是一个大会,文章 ...
最新文章
- 自建ELK vs 日志服务(SLS)全方位对比
- Mybatis的xml配置备忘
- Dockerfile自定义tomcat镜像
- 用mysqlbinlog查看row格式的事件
- ASP.NET2.0中用ICallbackEventHandler实现客户端与服务器端异步交互
- 视频监控 封装[PlayCtrl.dll]的API (1)
- 初识ProtoBuf(3.18.1)
- validate使用
- 【基于遥感解译与GIS技术】土地利用图、植被类型图、植被覆盖度图、土壤侵蚀制图
- Ubuntu搭建Android NDK开发环境并编译Demo
- openh264限制slice/nal分片大小导致的编码数据错误
- 慧荣SM2246EN主控如何进行RDT测试开卡
- 仅300员工却垄断全球,几亿一台还供不应求
- 树莓派人体感应警报(python)HC-SR501红外人体感应
- javascript Xpath学习笔记-----document.evaluat();
- pytest--fixture的使用(前置、后置)
- STM32F407利用RT-thread上移植LWIP
- Chrome内存追踪
- 2022-05-20 工作记录--React-多个className的三元表达式写法
- 总结VMware Workstation 与 Hyper-V 不兼容的几种处理方法
热门文章
- 什么是酷雷曼VR全景视图?全景图拼接的原理是什么?
- 港科招生|香港科大本科项目高考入学申请流程线上介绍会预告
- SQL排序之 row_number, rank(), dense_rank()区别
- 本人使用CUBE时遇到的问题,引脚配置时,有些外设引脚出现黄色感叹号...
- PyQt5 设置背景图片和logo
- 计算机网络-物理层、MAC层
- 浏览器导航页被篡改解决办法
- win7系统中主分区改为逻辑分区方法
- 您的PHP似乎没有安装运行WordPress所必需的MySQL扩展
- tbc服务器维护时间,魔兽怀旧服:转服功能关闭,TBC前夕即将开放?这一时间相对靠谱...