BiCC: loss basata sulle componenti connesse bidirezionali per la segmentazione consapevole delle istanze

Abstract degli autori

Le comuni funzioni di perdita per la segmentazione aggregano gli errori voxel per voxel, perciò le lesioni incidono sull’obiettivo in proporzione al loro volume e a quelle piccole, ma clinicamente cruciali, viene attribuito un peso sproporzionatamente basso. Le funzioni di perdita consapevoli delle istanze mirano a correggere questa discrepanza assegnando a ogni lesione un termine distinto. Tuttavia, blob loss e CC-DiceCE ricavano le proprie regioni esclusivamente dalle annotazioni, quindi le componenti di falsi positivi non ricevono un termine a livello di istanza. Questo è importante nella revisione assistita da computer, dove ogni componente di falsi positivi può richiedere un’ispezione separata, rendendo la precisione e il carico di falsi positivi importanti quanto il richiamo. Introduciamo la funzione di perdita bidirezionale basata sulle componenti connesse (BiCC), che abbina partizioni derivate dalle annotazioni e dalle predizioni per valutare le componenti predette alla propria scala. Ricavando le istanze dalle predizioni, questo ramo penalizza direttamente le componenti di falsi positivi, indipendentemente dalle loro dimensioni. Il parametro di bilanciamento $α$ permette di controllare il compromesso tra precisione e richiamo a livello di lesione. Su cinque dataset, con validazione incrociata a cinque fold e usando nnU-Net, BiCC supera CC-DiceCE in termini di F1 a livello di lesione su quattro dataset e blob loss su tutti e cinque. Migliora significativamente rispetto a DiceCE su tre dataset e lo eguaglia su due; CC-DiceCE, invece, perde fino a 0,363 in precisione, privilegiando il richiamo. Il codice è disponibile all’indirizzo https://github.com/TIO-IKIM/BiCC-Loss.