Core Concepts
提案されたmL1-ACE損失関数は、ピクセルごとのキャリブレーションを向上させ、セグメンテーション品質を犠牲にすることなく、画像セグメンテーションの信頼性を高める。
Abstract
1. 導入
深層ニューラルネットワーク(DNN)は意味的セグメンテーション分野を進化させたが、過度な自信による誤った予測が問題となっている。
DSC損失は人気があるが、適切なキャリブレーションを提供しないことが知られている。
2. 伝統的なポストホックキャリブレーション戦略
温度スケーリング(Ts)などの手法は一部の問題を解決するが、DNNの広範囲なパラメータ空間を活用できていない。
3. 訓練時キャリブレーション方法
ECEなどのDCAベース補助損失はキャリブレーションを改善することが示されている。
4. mL1-ACE損失関数の提案と効果
mL1-ACEは医療画像セグメンテーションにおける確立されたキャリブレーション指標を初めて直接補助損失として使用する試みであり、従来の方法と比較して優れた性能を示す。
5. 実験結果
mL1-ACEはDSCロスモデルで優れたキャリブレーション性能を示し、ACEおよびMCEメトリクスで45%および55%の改善が見られた。
6. 結論と議論
提案されたmL1-ACE補助損失はモデルのキャリブレーションを改善し、競争力ある87%のDiceスコアを維持しつつ、信頼性向上に貢献する。
Stats
提案されたmL1-ACEにより平均および最大キャリブレーションエラーがそれぞれ45%および55%削減されました。BraTS2021データセットでDiceスコアは87%です。