Dice Loss деген эмне жана ал эмне үчүн медициналык сегментация үчүн көбүнчө BCEден жакшы?

Dice Loss — бул Dice коэффициентине негизделген жоготуучу функция, ал эки топтомдун (мисалы, сегментация тапшырмасында болжолдонгон жана чын маска) ортосундагы окшоштукту өлчөйт.

Dice коэффициенти төмөндөгүчө аныкталган:

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

A — болжолдонгон аймак, B — чын аймак.

Dice Loss адатта 1 - Dice катары аныкталган, бул болжол жана чындык ортосундагы айырманы минималдаштырууга багытталган.

Медициналык сегментация үчүн Dice Loss Binary Cross-Entropy (BCE) дан эмне үчүн жакшы:

• Ден соолук класстарынын теңсиздигине туруштук берүү: Медициналык сегментацияда кызыкчылык аймагы (мисалы, шишик) көбүнчө фонго салыштырмалуу өтө кичинекей болот. BCE көбүнчө көпчүлүк класска (фонго) багытталса, Dice Loss көбүрөөк жабышуу жана сейрек класстар менен жакшы иштейт.

• Сапа метрикасын түздөн-түз оптималдаштыруу: Dice Loss сегментациянын сапатын баалоодо кеңири колдонулган метриканы түздөн-түз оптималдаштырат, бул акыркы натыйжаларды жакшыртат.

• Жумшактык жана дифференциалдыктык: Dice Loss дифференциалдүү жана градиент негизделген үйрөнүү ыкмаларына колдонулушу мүмкүн.

Мисал катары болжолдоолор p жана чын белгилер g үчүн Dice Loss формуласы:

import torch

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

Ошентип, Dice Loss күчтүү класстар теңсиздиги бар тапшырмаларга жана сегменттелген аймактардын жабышуусунун тактыгы маанилүү болгон учурда көбүрөөк ылайыктуу.