छवि विभाजन के लिए अनुकूलनात्मक सीमा-वृद्धि डाइस हानि

डीप लर्निंग का चिकित्सा चित्र विभाजन के लिए व्यापक रूप से उपयोग किया जाता है, और इसकी प्रभावशीलता विशेष हानि कार्यों के चुनाव से काफी प्रभावित होती है। इस अध्ययन में, हम एक अनुकूलनात्मक सीमा-वृद्धि डाइस (एबीडाइस) हानि कार्य प्रस्तुत करते हैं, जो पारंपरिक डाइस हानि के साथ एक घातीय पुनरावर्ती पूरक (ईआरसी) कार्य को एकीकृत करता है ताकि विभाजन की सटीकता में सुधार किया जा सके। ईआरसी कार्य प्रत्येक पिक्सेल की भविष्यवाणी संभावना और उसके पूरक का लाभ उठाता है ताकि ऑब्जेक्ट की सीमा के पहचान और स्थानीयकरण को बढ़ाया जा सके। भविष्यवाणी संभावनाओं के वितरण को गतिशील रूप से समायोजित करके, एबीडाइस हानि उच्च संभावनाओं को प्राथमिकता देती है, जिससे मात्रात्मक क्षमता और अभिसरण दर दोनों में सुधार होता है। यह अनुकूलन न केवल नेटवर्क की शिक्षण क्षमता को बढ़ाता है बल्कि इसके विभाजन प्रदर्शन को भी सुदृढ़ करता है। एबीडाइस हानि की प्रभावशीलता को तीन सार्वजनिक डेटा सेटों, जिसमें REFUGE, ISIC2018, और RIT-Eyes शामिल हैं, पर Swin-Unet का उपयोग करके व्यापक प्रयोगों के माध्यम से मान्यता प्राप्त हुई। परिणामों ने दिखाया कि एबीडाइस ने क्रमशः औसत डाइस समानता गुणांक 0.9114, 0.8940, और 0.9418 प्राप्त किया, जो पारंपरिक डाइस हानि और इसके प्रकारों, जैसे सामान्यीकृत डाइस हानि, टेर्वकी हानि, और संवेदना-विशिष्टता हानि को पीछे छोड़ता है। कोड उपलब्ध है https://github.com/wmuLei/ABeDice पर।