Что такое Dice Loss и почему он часто лучше BCE для медицинской сегментации?

Dice Loss — это функция потерь, основанная на коэффициенте Dice, который измеряет сходство между двумя множествами (например, предсказанной маской и истинной маской в задаче сегментации).

Коэффициент Dice определяется как:

[ Dice = \frac{2 |A \cap B|}{|A| + |B|} ]

где A — предсказанная область, B — истинная область.

Dice Loss обычно определяется как 1 - Dice, чтобы минимизировать расхождение между предсказанием и истиной.

Почему Dice Loss лучше Binary Cross-Entropy (BCE) для медицинской сегментации:

• Устойчивость к несбалансированным классам: В медицинской сегментации область интереса (например, опухоль) часто очень мала по сравнению с фоном. BCE может быть смещён в сторону большинства (фона), тогда как Dice Loss фокусируется на перекрытии и лучше справляется с редкими классами.

• Прямое оптимизирование метрики качества: Dice Loss напрямую оптимизирует метрику, которая часто используется для оценки качества сегментации, что улучшает итоговые результаты.

• Гладкость и дифференцируемость: Dice Loss можно дифференцировать и использовать в градиентных методах обучения.

Пример формулы Dice Loss для предсказаний p и истинных меток g:

import torch

def dice_loss(p, g, smooth=1e-6):
    intersection = (p * g).sum()
    return 1 - (2. * intersection + smooth) / (p.sum() + g.sum() + smooth)

Таким образом, Dice Loss лучше подходит для задач с сильным дисбалансом классов и когда важна точность перекрытия сегментированных областей.