Multimodal HIE Lesion Segmentation in Neonates: A Comparative Study of Loss Functions

📄 arXiv: 2502.09148v1 📥 PDF

作者: Annayah Usman, Abdul Haseeb, Tahir Syed

分类: cs.CV

发布日期: 2025-02-13

💡 一句话要点

针对新生儿脑缺血缺氧性脑病病灶分割，提出优化的复合损失函数。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑缺血缺氧性脑病 病灶分割 医学图像分割 损失函数优化 3D U-Net

📋 核心要点

  1. HIE病灶分割面临数据量少、病灶形态各异等挑战，传统方法难以达到理想精度。
  2. 论文提出结合区域和边界信息的复合损失函数，优化分割模型，提升分割精度。
  3. 实验表明，复合损失函数优于单一损失函数，Tversky-HausdorffDT损失表现最佳。

📝 摘要（中文）

新生儿MRI中脑缺血缺氧性脑病(HIE)病灶分割至关重要，但由于病灶弥漫、多灶、体积变化大，以及带标注的HIE病灶数据集有限，这项任务极具挑战性。本文使用BONBID-HIE数据集，实施了优化的3D U-Net，并采用预处理、数据增强和训练策略来克服数据约束。本研究旨在确定最适合HIE病灶分割任务的损失函数。为此，我们评估了多种损失函数，包括Dice、Dice-Focal、Tversky、Hausdorff距离(HausdorffDT)损失，以及两种提出的复合损失——Dice-Focal-HausdorffDT和Tversky-HausdorffDT，以提高分割性能。结果表明，不同的损失函数预测出不同的分割掩码，复合损失优于独立损失。Tversky-HausdorffDT损失实现了最高的Dice和归一化表面Dice分数，而Dice-Focal-HausdorffDT损失最小化了平均表面距离。这项工作强调了任务特定损失函数优化的重要性，表明即使在有限的训练数据下，结合基于区域和边界感知的损失也能实现更准确的HIE病灶分割。

🔬 方法详解

问题定义：论文旨在解决新生儿脑缺血缺氧性脑病(HIE)病灶在MRI图像中的精确分割问题。现有方法在处理HIE病灶时，由于数据集规模小、病灶形态不规则且多样化，分割精度难以满足临床需求，尤其是在病灶边界的准确性方面存在不足。

核心思路：论文的核心思路是结合基于区域的损失函数（如Dice、Tversky）和基于边界的损失函数（如Hausdorff Distance Loss），构建复合损失函数。这种结合能够同时关注分割结果的整体区域相似性和边界准确性，从而提高分割性能。

技术框架：论文采用3D U-Net作为基本的分割网络架构。在数据预处理阶段，对MRI图像进行标准化处理。在训练阶段，采用数据增强技术来扩充有限的数据集。关键在于损失函数的选择和组合，实验比较了多种损失函数，并提出了两种新的复合损失函数。

关键创新：论文的关键创新在于提出了两种新的复合损失函数：Dice-Focal-HausdorffDT和Tversky-HausdorffDT。这两种复合损失函数将区域信息和边界信息融合在一起，能够更有效地指导网络学习，从而提高分割精度。与现有方法相比，该方法更注重病灶边界的准确性。

关键设计：论文的关键设计包括：1) 3D U-Net网络结构的选择；2) 数据增强策略，如旋转、缩放等；3) 损失函数的选择和组合，包括Dice Loss, Focal Loss, Tversky Loss, Hausdorff Distance Loss，以及提出的两种复合损失函数。特别地，Tversky Loss通过调整参数可以控制假阳性和假阴性的权重，Hausdorff Distance Loss直接优化分割结果的边界距离。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，提出的复合损失函数显著优于单一损失函数。具体来说，Tversky-HausdorffDT损失在Dice系数和归一化表面Dice系数上取得了最佳性能，而Dice-Focal-HausdorffDT损失则最小化了平均表面距离。这表明复合损失函数在平衡区域分割和边界准确性方面具有优势。

🎯 应用场景

该研究成果可应用于新生儿脑损伤的早期诊断和评估，帮助医生更准确地识别和量化HIE病灶，从而制定更有效的治疗方案。此外，该方法也可推广到其他医学图像分割任务中，尤其是在处理小样本、病灶形态复杂的分割问题时具有重要参考价值。

📄 摘要（原文）

Segmentation of Hypoxic-Ischemic Encephalopathy (HIE) lesions in neonatal MRI is a crucial but challenging task due to diffuse multifocal lesions with varying volumes and the limited availability of annotated HIE lesion datasets. Using the BONBID-HIE dataset, we implemented a 3D U-Net with optimized preprocessing, augmentation, and training strategies to overcome data constraints. The goal of this study is to identify the optimal loss function specifically for the HIE lesion segmentation task. To this end, we evaluated various loss functions, including Dice, Dice-Focal, Tversky, Hausdorff Distance (HausdorffDT) Loss, and two proposed compound losses -- Dice-Focal-HausdorffDT and Tversky-HausdorffDT -- to enhance segmentation performance. The results show that different loss functions predict distinct segmentation masks, with compound losses outperforming standalone losses. Tversky-HausdorffDT Loss achieves the highest Dice and Normalized Surface Dice scores, while Dice-Focal-HausdorffDT Loss minimizes Mean Surface Distance. This work underscores the significance of task-specific loss function optimization, demonstrating that combining region-based and boundary-aware losses leads to more accurate HIE lesion segmentation, even with limited training data.