Čo je Dice Loss a prečo je často lepší ako BCE pre medicínsku segmentáciu?

Dice Loss — je funkcia straty založená na koeficiente Dice, ktorý meria podobnosť medzi dvoma množinami (napríklad predpovedaná maska a skutočná maska v úlohe segmentácie).

Koeficient Dice je definovaný ako:

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

kde A je predpovedaná oblasť, B je skutočná oblasť.

Dice Loss je zvyčajne definovaná ako 1 - Dice, aby minimalizovala odchýlku medzi predpoveďou a pravdou.

Prečo je Dice Loss lepšia ako Binary Cross-Entropy (BCE) pre medicínsku segmentáciu:

• Odolnosť voči nevyváženým triedam: V medicínskej segmentácii je oblasť záujmu (napríklad nádor) často veľmi malá v porovnaní s pozadím. BCE môže byť skreslená v prospech väčšiny (pozadia), zatiaľ čo Dice Loss sa zameriava na prekrytie a lepšie si poradí s vzácnymi triedami.

• Priama optimalizácia metriky kvality: Dice Loss priamo optimalizuje metriku, ktorá sa často používa na hodnotenie kvality segmentácie, čím zlepšuje konečné výsledky.

• Hladkosť a diferencovateľnosť: Dice Loss je možné diferencovať a používať v gradientových metódach učenia.

Príklad vzorca Dice Loss pre predpovede p a skutočné štítky 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)

Preto je Dice Loss vhodnejšia pre úlohy s výraznou nerovnováhou tried a keď je dôležitá presnosť prekrytia segmentovaných oblastí.