Ի՞նչ է Dice Loss-ը և ինչու է այն հաճախ ավելի լավ, քան BCE-ն բժշկական սեգմենտացիայի համար։

Dice Loss — սա կորուստային ֆունկցիա է, որը հիմնված է Dice գործակիցին, որը չափում է երկու հավաքածուների միջև նմանությունը (օրինակ՝ կանխատեսված մասկա և իրական մասկա սեգմենտացիայի խնդիրում):

Dice գործակիցը սահմանվում է որպես՝

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

որտեղ A կանխատեսված տարածքն է, B՝ իրական տարածքն է:

Dice Loss-ը սովորաբար սահմանվում է որպես 1 - Dice՝ նվազեցնելու կանխատեսում և ճշմարտության միջև տարբերությունը:

Ինչու է Dice Loss-ը ավելի լավ Binary Cross-Entropy (BCE)-ից բժշկական սեգմենտացիայի համար՝

• Անհամապատասխան դասերի դիմացկունություն: Բժշկական սեգմենտացիայում հետաքրքրության տարածքը (օրինակ՝ տենդը) հաճախ շատ փոքր է ֆոնի համեմատ։ BCE-ն կարող է կողմնակալ լինել մեծամասնության (ֆոնի) կողմը, մինչդեռ Dice Loss-ը կենտրոնանում է շփման վրա և ավելի լավ է աշխատում հազվագյուտ դասերի հետ:

• Ուղիղ որակագրական մետրիկայի օպտիմալացում: Dice Loss-ը ուղղակի օպտիմալացնում է հաճախ օգտագործվող մետրիկային՝ սեգմենտացիայի որակն գնահատելու համար, ինչը բարելավում է վերջնական արդյունքները:

• Հարթություն և տարբերակելիություն: Dice Loss-ը կարող է տարբերակվել և օգտագործվել գրադենտային ուսուցման մեթոդներում:

Օրինակ՝ կանխատեսումների p և ճշմարտական նշագծերի g համար Dice Loss-ի ֆորմուլան:

import torch

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

Այսպիսով, Dice Loss-ը ավելի հարմար է ուժեղ դասերի անհամապատասխանության խնդիրների համար և երբ կարևոր է շփման ճշգրտությունը սեգմենտացված տարածքների։