خسارة موحدة مركزة: تعميم خسائر ديس والانتروبيا المتقاطعة للتعامل مع توازن الفئات في تقطيع الصور الطبية

تعتبر طرق التقطيع التلقائي تقدماً مهماً في تحليل الصور الطبية. تُعد تقنيات التعلم الآلي، وخاصة الشبكات العصبية العميقة، هي الأفضل في معظم مهام تقطيع الصور الطبية. تشكل مشاكل توازن الفئات تحدياً كبيراً في مجموعات البيانات الطبية، حيث غالبًا ما تشغل الآفات حيزًا أصغر بكثير مقارنة بالخلفية. تختلف دوال الخسارة المستخدمة في تدريب الخوارزميات التعلم العميق في قدرتها على التعامل مع توازن الفئات، مما له آثار مباشرة على تقارب النموذج. تُستند أكثر دوال الخسارة استخدامًا في التقطيع إلى إما خسارة الانتروبيا المتقاطعة، أو خسارة ديس، أو مزيج من الاثنين. نقترح خسارة الموحدة المركزة، وهو إطار هرمى جديد يعمم خسائر ديس والانتروبيا المتقاطعة لمعالجة توازن الفئات. نقيم دالة الخسارة المقترحة لدينا على خمسة مجموعات بيانات طبية متاحة للجمهور وغير متوازنة: CVC-ClinicDB و Digital Retinal Images for Vessel Extraction (DRIVE) و Breast Ultrasound 2017 (BUS2017) و Brain Tumour Segmentation 2020 (BraTS20) و Kidney Tumour Segmentation 2019 (KiTS19). نقارن أداء دالة الخسارة لدينا مع ست دوال خسارة استناداً إلى ديس أو الانتروبيا المتقاطعة، عبر مهام تقطيع ثنائية الأبعاد وثلاثية الأبعاد وعدد فئات متعددة في ثلاثية الأبعاد، مما يوضح أن دالة الخسارة المقترحة لدينا قوية أمام توازن الفئات وتتجاوز باستمرار دوال الخسارة الأخرى. الشيفرة المصدرية متاحة على: https://github.com/mlyg/unified-focal-loss.