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
