Page 304 - 《软件学报》2021年第12期

3968 Journal of Software 软件学报 Vol.32, No.12, December 2021

2| P ∩ T |
Dice = (3)
| P + T
| | |
| P ∩ T |
PPV = (4)
| P |
| P ∩ T |
Sensitivity = (5)
||T
其中,P 表示预测结果,T 表示肿瘤区域标记,|P∩T|表示肿瘤区域预测结果与标记之间重叠部分.
• 疗效预测算法评估
本 文 将 放化疗 疗效 问题归 结为 二分类 问题 ( 完全缓 解与 不完全 缓解 ), 而 ROC(receiver operating
characteristic)曲线在二分类问题上能有效地反映分类性能.对 ROC 曲线下各部分面积求和得到 AUC(area
under curve),AUC 是判断模型分类性能重要标准,本文利用 AUC 反映不同放化疗疗效预测算法准确度.
4.2 肿瘤区域分割算法对比
4.2.1 不同损失函数对比
本文基于 U-net 分割宫颈 MR 图像中肿瘤区域.在网络训练过程,分别使用交叉熵(cross entropy)损失函数、
Dice 损失函数以及 Softmax 损失函数作实验对比.表 3 和图 6 分别列出基于不同的损失函数训练得到的 U-net
模型分割肿瘤区域的精度和结果图.
Table 3 Segmentation accuracy of U-net on test set with different loss functions
表 3 基于不同损失函数的 U-net 模型在测试集上分割准确率
损失函数 Dice 相关系数 PPV Sensitivity
Cross entropy 0.638 0.762 0.575
Dice 0.749 0.726 0.801
Softmax 0.763 0.771 0.815

(a) (b) (c) (d)
(a) 原图像,红色区域为标签区域 (b) 基于交叉熵损失函数的分割结果
(c) 基于 Dice 系数损失函数的分割结果 (d) 基于 Softmax 损失函数的分割结果
Fig.6 Segmentation results of U-net on test set based on different loss functions
图 6 基于不同损失函数的 U-net 模型在测试集上分割结果图

由表 3 及图 6 可知,基于 Softmax 损失函数的 U-net 网络分割肿瘤区域准确率高于基于交叉熵和 Dice 损失
函数的分割模型.基于交叉熵损失函数的分割模型在模型训练阶段对宫颈 MR 图像中所有像素同等考虑,但在
三维宫颈 MR 图像中,肿瘤区域只占整幅 MR 图像很小部分,这使得交叉熵损失函数大量计算肿瘤区域以外的
像素点,无法对肿瘤区域的特征进行有效地提取,导致分割肿瘤区域准确率较低.Dice 损失函数本质上是衡量两
个样本的重叠部分,在样本极度不均匀的情况下效果较好.而本实验使用的数据都是同一类别,使用 Dice 损失函
数可能会使得 U-net 网络训练变得不稳定,造成分割准确率低.