Qu'est-ce que la perte de Dice et pourquoi est-elle souvent meilleure que BCE pour la segmentation médicale ?

Dice Loss — c’est une fonction de perte basée sur le coefficient de Dice, qui mesure la similarité entre deux ensembles (par exemple, une masque prédite et une masque réelle dans une tâche de segmentation).

Le coefficient de Dice est défini comme :

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

où A est la région prédite, B est la région réelle.

Dice Loss est généralement définie comme 1 - Dice, afin de minimiser la divergence entre la prédiction et la vérité.

Pourquoi Dice Loss est meilleure que Binary Cross-Entropy (BCE) pour la segmentation médicale :

• Robustesse face aux classes déséquilibrées : En segmentation médicale, la zone d’intérêt (par exemple, une tumeur) est souvent très petite par rapport à l’arrière-plan. BCE peut être biaisée en faveur de la majorité (l’arrière-plan), tandis que Dice Loss se concentre sur la superposition et gère mieux les classes rares.

• Optimisation directe de la métrique de qualité : Dice Loss optimise directement la métrique souvent utilisée pour évaluer la qualité de la segmentation, améliorant ainsi les résultats finaux.

• Lissage et différenciabilité : Dice Loss peut être différenciée et utilisée dans des méthodes d’apprentissage par gradient.

Exemple de formule de Dice Loss pour des prédictions p et des étiquettes vraies 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)

Ainsi, Dice Loss est mieux adaptée aux tâches avec un fort déséquilibre des classes et lorsque la précision de la superposition des zones segmentées est importante.