摘要
区域基础损失函数，如Dice损失，已成为高度类别和区域不平衡分割任务的事实标准。然而，使用区域基础损失函数训练的模型往往存在严重的校准问题，通常会产生过于自信的预测。在医学影像应用中，例如定义肿瘤切除边缘，这种误校准阻碍了临床的采用。
在本研究中，我们提出了一种新的梯度视角来分析这种过于自信的现象，并展示其如何影响区域基础损失函数。我们建议对梯度向量场进行“手术”，这是一种简单而有效的干预措施，以减轻校准问题。该手术通过在损失的偏导数上添加一个因子，线性地根据预测误差缩放梯度的幅度。
在对2D和3D医学分割任务的实证评估中，我们证明了这一干预措施的有效性，同时在与任何区域基础损失函数结合使用时保持了高预测准确性。
博主点评： 本文提出的梯度向量场手术为传统的分割模型校准问题提供了新思路，强调了校准在医学应用中的重要性，值得关注和深入研究。利用这种方法，模型的可靠性有望得到显著提升，助力临床应用的推广。