რა არის Dice Loss და რატომ არის ის ხშირად უკეთესი ვიდრე BCE სამედიცინო სეგმენტაციისთვის?

Dice Loss — ეს არის დანაკარგის ფუნქცია, რომელიც დაფუძნებულია Dice კოეფიციენტზე, რომელიც ზომავს ორი ნაკრების მსგავსებას (მაგალითად, პროგნოზირებული მასკა და რეალური მასკა სეგმენტაციის ამოცანაში).

Dice კოეფიციენტი განსაზღვრულია როგორც:

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

სადაც A არის პროგნოზირებული ტერიტორია, B — რეალური ტერიტორია.

Dice Loss ჩვეულებრივ განსაზღვრულია როგორც 1 - Dice, რათა მინიმუმამდე დაიყვეს პროგნოზსა და სიმართლეს შორის განსხვავება.

რატომ არის უკეთესი Dice Loss, ვიდრე Binary Cross-Entropy (BCE) სამედიცინო სეგმენტაციისთვის:

• არასწორად კლასების წინააღმდეგობა: სამედიცინო სეგმენტაციაში, ინტერესის ტერიტორია (მაგალითად, სიმსივნე) ხშირად ძალიან მცირეა ფონთან შედარებით. BCE შეიძლება იყოს偏向ი უმრავლესობის (ფონი) მხარეს, მაშინ როდესაც Dice Loss ყურადღებას აქცევს გადაკვეთას და უკეთესად მართავს იშვიათ კლასებს.

• მეტრიკის პირდაპირი ოპტიმიზაცია: Dice Loss პირდაპირ ოპტიმიზირებს მეტრიკას, რომელიც ხშირად გამოიყენება სეგმენტაციის ხარისხის შეფასებისთვის, რაც აუმჯობესებს საბოლოო შედეგებს.

• გლუვობა და განსხვავებადი: Dice Loss შეიძლება იყოს განსხვავებული და გამოყენებული.gradient-ბაზირებული სწავლების მეთოდებში.

მაგალითი Dice Loss-ის ფორმულა პროგნოზებისთვის p და რეალური ნიშნულებისთვის 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)

ამიტომ, Dice Loss უკეთესია ძლიერი კლასების დისბალანსის მქონე ამოცანებისთვის და როდესაც მნიშვნელოვანია სეგმენტირებული ზონების გადაკვეთა ზუსტი შეფასება.