论文地址：Tversky loss function for image segmentation using 3D fully convolutional deep networks
摘要
首先提出，医学图像分割中的一个重要挑战是数据不平衡（data imbalance），一般情况下，病变体素（voxel）的数量远低于非病变体素的数量。这样的数据训练模型会产生高精度的结果，但是展召回率（灵敏度）低。目前已经提出了几种解决该问题的方法，包括平衡采样，两步训练，样本重加权和相似度损失函数（balanced sampling, two step training, sample re-weighting, and similarity loss functions）。在本文中，我们提出了一种基于Tversky指数的广义损失函数，以解决数据不平衡的问题，在精度和召回率之间找到更好的平衡。在磁共振图像上进行多发性硬化病灶分割的实验结果显示，测试数据中的F2评分，Dice系数和精确召回曲线下的面积均得到改善。
指出FCN的测试和训练速度很快，并使用整个样本学习局部和全局图像特征。
方法
作者通过调整tversky指数的超参数，从而可以在训练网络中强调误报，该网络在高度不平衡的数据中泛化并表现良好，因为它会导致高灵敏度，Dice，F2得分以及精确召回的区域测试集中的（PR）曲线。
基于unet：
为了在训练我们的网络以获取高度失衡的数据（其中检测小病灶至关重要）的网络中比FP权衡FN，我们建议根据Tversky指数提出一个损失层[Tversky, A.: Features of similarity. Psychological review 84(4), 327 (1977)]。
损失函数设计为：
使用这种公式，我们不需要平衡训练的权重。 同样，通过调整超参数α和β，我们可以控制假阳性和假阴性之间的权衡。较大的β会使召回的准确性高于精确度（通过更加强调假阴性）。（摘要中提到假阴性的容忍度更低）。
The output of the last convolutional layer with softmax non-linearity consisted of a probability map for lesion and non-lesion tissues.具有softmax非线性的最后一个卷积层的输出由病变和非病变组织的概率图组成。
如预期的那样，观察到较高的β会产生较高的灵敏度（召回率）和较低的特异性。综合性能指标，特别是APR，F2和DSC表明，在β= 0.7时可获得最佳性能。使用Dice损失函数（β= 0.5）训练的FCN不会产生良好的结果:
但是，由于本文旨在提供有关Tverky损失层（和Fβ得分）在深度学习中的作用和有效性的概念证明，因此我们没有在应用领域进行直接比较。未来的工作涉及在多个应用程序中对较大的标准数据集进行培训和测试，以使用适当的性能标准与最新细分进行比较。