Dice Loss nima va nima uchun u ko'pincha tibbiy segmentatsiya uchun BCEdan yaxshiroq?

Dice Loss — bu Dice koeffitsienti asosida qurilgan yo‘qotish funktsiyasidir, u ikki to‘plam o‘rtasidagi o‘xshashlikni o‘lchaydi (masalan, segmentatsiya vazifasida taxmin qilingan va haqiqiy maskalar).

Dice koeffitsienti quyidagicha aniqlanadi:

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

bu yerda A — taxmin qilingan hudud, B — haqiqiy hudud.

Dice Loss odatda 1 - Dice sifatida belgilangan bo‘lib, taxmin va haqiqat o‘rtasidagi farqni minimallashtirish uchun ishlatiladi.

Nima uchun Dice Loss tibbiy segmentatsiya uchun Binary Cross-Entropy (BCE) dan yaxshiroq:

• Noto‘g‘ri sinflarga chidamlilik: Tibbiy segmentatsiyada qiziqish maydoni (masalan, o‘sma) odatda fon bilan solishtirganda juda kichik bo‘ladi. BCE ko‘p hollarda ko‘p sonli sinf (fon) tomon yo‘naltirilgan bo‘lishi mumkin, holbuki Dice Loss qoplanishga e’tibor qaratadi va kamdan-kam sinflar bilan yaxshiroq ishlaydi.

• Sifat metrikasini to‘g‘ridan-to‘g‘ri optimallashtirish: Dice Loss segmentatsiya sifatini baholash uchun keng qo‘llaniladigan metrikani to‘g‘ridan-to‘g‘ri optimallashtiradi, bu esa yakuniy natijalarni yaxshilaydi.

• Yumshoq va differensial: Dice Loss differensial bo‘lishi mumkin va gradient asosidagi o‘quv usullarida qo‘llanilishi mumkin.

Taxminlar p va haqiqiy belgilash g uchun Dice Loss formulasi misoli:

import torch

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

Shu sababli, Dice Loss kuchli sinf muvozanatsizligi bo‘lgan vazifalar uchun va segmentatsiya qilingan hududlarning qoplanish aniqligi muhim bo‘lsa, yanada mos keladi.