《表2 不同损失函数的分割结果比较》
%
由于此次实验选取的样本体积相差较大,因此在做器官切片时,存在大量包含小目标的切片,单张图像中目标像素占比较小,这样会导致正负样本数据不平衡,使网络训练较为困难。二分类交叉熵损失函数的一个局限性是它对假阳性(FP)和假阴性(FN)检测的权重相等,因此交叉熵损失函数不是最优的。为了证明使用Tversky loss作为损失函数能够有效提升分割性能,本文在最优网络框架中分别使用Tversky loss和二分类交叉熵损失函数进行对比实验。此处,假阴性检测的权重需要高于假阳性,因此Tversky loss中参数相对应的设置α=0.7,β=0.3。使用不同的损失函数对分割结果的影响如表2所示。
图表编号 | XD00165390100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 钱宝鑫、肖志勇、宋威 |
绘制单位 | 江南大学人工智能与计算机学院、江南大学人工智能与计算机学院、江南大学人工智能与计算机学院 |
更多格式 | 高清、无水印(增值服务) |