• 标题：
• 摘要
• 方法
• 边界Iou损失函数
• 自适应调整
• 实验结果
• 结论

标题：

Boundary Difference Over Union Loss（BDOU）详解与实验验证

摘要

本文提出了基于边界区域分割的损失函数——BDOU (Boundary Difference Over Union) 损失。该损失函数通过计算预测和标签的差分集与差分集与部分交集的并集的比值来指导边界区域的分割。此外，该方法还使用目标大小来自适应地调整应用于边界区域的注意力。在ACDC和Synapse两个数据集上，利用UNet、TransUNet和Swin-UNet进行实验，验证了BDOU损失函数的有效性。

方法

本文方法的核心在于BDOU损失函数的计算。其公式简洁明了，通过比较预测和标签的边界区域差异来评估模型的表现。此外，我们还引入了一个超参数α，用于自适应地调整对边界区域的关注程度。

以下公式展示了BDOU损失函数的计算方式：

图中的G和P分别代表标签和预测，而α是一个可调的超参数。

边界Iou损失函数

在BDOU损失函数中，我们更关注预测和标签的边界差异。因此，我们定义了边界Iou损失函数，专门用于衡量边界区域的分割质量。

图中的G和P代表标签和预测，Gd和Pd代表它们的边界区域。

自适应调整

为了更好地适应不同大小的目标，我们引入了目标大小作为调整参数。这样，模型可以更加准确地关注那些对分割结果影响较大的区域。

实验结果

在ACDC和Synapse两个数据集上，我们分别使用了UNet、TransUNet和Swin-UNet进行了实验。实验结果表明，BDOU损失函数在边界区域分割上表现良好。

从图中可以看出，BDOU损失函数在边界区域的分割上略有优于传统的Dice损失。

结论

BDOU损失函数在边界区域分割上表现出色，为医学图像分割等任务提供了有效的解决方案。我们鼓励读者尝试将此损失函数应用于自己的分割代码中，以获得更好的分割效果。