Kas ir Dice Loss un kāpēc tas bieži ir labāks par BCE medicīniskajā segmentācijā?

Dice Loss — tas ir zaudējumu funkcija, kas balstīta uz Dice koeficientu, kas mēra līdzību starp diviem kopumiem (piemēram, prognozēto un patieso masku segmentācijas uzdevumā).

Dice koeficients ir definēts kā:

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

kur A ir prognozētā zona, B ir patiesā zona.

Dice Loss parasti tiek definēta kā 1 - Dice, lai samazinātu prognozes un patiesības starpību.

Kāpēc Dice Loss ir labāka nekā Binary Cross-Entropy (BCE) medicīniskajā segmentācijā:

• Noturība pret nelīdzsvarotām klasēm: Medicīniskajā segmentācijā interese ir par ļoti mazām zonām (piemēram, audzējs) salīdzinājumā ar fonu. BCE var būt tendēta uz vairākumu (fona), bet Dice Loss koncentrējas uz pārklāšanos un labāk tiek galā ar retajām klasēm.

• Tieša kvalitātes metriku optimizācija: Dice Loss tieši optimizē metrikas, kas bieži tiek izmantotas segmentācijas kvalitātes novērtēšanai, uzlabojot galīgos rezultātus.

• Gludums un diferencējamība: Dice Loss var tikt diferencēta un izmantota gradientu balstītās mācīšanās metodēs.

Piemērs Dice Loss formulai priekš prognozēm p un patiesajiem marķieriem 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)

Tādējādi, Dice Loss ir piemērotāka uzdevumiem ar spēcīgu klases nelīdzsvarotību un kad ir svarīga segmentēto zonu pārklāšanās precizitāte.