【2020 MICCCAI】Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation

Code: https://github.com/neuro-ml/inverse_weighting

Motivation

医学图像分割任务中，目标不平衡问题非常常见，主要分为两类：

• 类别不平衡：正样本（lesion）与负样本（no-lesion）的pixel数量存在极大不平衡
• 病灶大小不平衡：一个图像中有多个病灶时，大的病灶会遮盖住小的病灶

本文针对第二点进行改进。

已有主要思想是为损失函数增加权重以平等地代表每个类别，这种方法主要关注病变类型，而不关注病变的大小。

Methods

提出一种称为反向加权inverse weighting (iw)的方法。 $$w_j=\frac{\sum _{k=0}^K\left|L_k\right|}{(K+1)\cdot \left|L_j\right|}$$ 为每一个incoming patch生成一个向量权重，将相应的ground-truth patch分出K+1个连接块，$L_0,...,L_K$，其中$L_0$为无病变区域（背景），K为当前病灶的数量。$w_j$为权重，分配给相应分量$L_j$内每个voxel。分母中的常量确保权重之和等于相同大小的单位张量的总和。

Experiments