Mi az a Dice Loss és miért jobb gyakran, mint a BCE az orvosi szegmentációhoz?

Dice Loss — ez egy veszteségfüggvény, amely a Dice-koefficiensen alapul, amely két halmaz közötti hasonlóságot méri (például egy előrejelzett maszk és egy valódi maszk esetén szegmentálási feladatban).

A Dice-koefficiens így van definiálva:

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

ahol A az előrejelzett terület, B a valódi terület.

A Dice Loss általában 1 - Dice-ként van definiálva, hogy minimalizálja az előrejelés és a valós érték közötti eltérést.

Miért jobb a Dice Loss, mint a Binary Cross-Entropy (BCE) az orvosi szegmentálásban:

• Kiegyensúlyozatlan osztályokra való ellenállás: Az orvosi szegmentálásban az érdeklődési terület (pl. tumor) gyakran nagyon kicsi a háttérhez képest. A BCE eltolódhat a többség (háttér) irányába, míg a Dice Loss a fedést helyezi előtérbe, és jobban kezeli a ritka osztályokat.

• Közvetlen minőségi metrika optimalizálás: A Dice Loss közvetlenül optimalizálja azt a metrikát, amelyet gyakran használnak a szegmentálás minőségének értékelésére, javítva a végső eredményeket.

• Simaság és differenciálhatóság: A Dice Loss differenciálható és gradient alapú tanulási módszerekben is használható.

Példa a Dice Loss képletére p előrejelzéseknél és g valódi címkéknél:

import torch

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

Ezért a Dice Loss jobban alkalmas olyan feladatokra, ahol erős osztálykiegyensúlyozatlanság van, és fontos a szegmentált területek fedésének pontossága.