Dice Loss在医学图像分割中的应用与变体
Dice Loss基于Dice系数定义，广泛用于医学图像分割。请解释其数学公式、与IoU Loss的关系，以及Dice Loss的梯度问题和改进方法(如混合损失、广义Dice)。
回答
编译有声
Dice系数(也称F1分数)衡量两个集合的重叠度： Dice = 2|A∩B| / (|A|+|B|)
Dice Loss(二分类)： Loss_Dice = 1 - Dice = 1 - (2Σp_i·g_i) / (Σp_i² + Σg_i² + ε) 其中p_i是预测概率，g_i是真实标签(0或1)。
与IoU Loss对比：
- Dice = 2IoU / (1+IoU)，Dice对重叠的梯度比IoU更温和
- Dice Loss的梯度：∂L/∂p_i = -2g_i/(Σp_j+Σg_j) + 2Σp_jg_j/((Σp_j+Σg_j)²)
Dice Loss的问题：
- 梯度饱和：当预测接近0或1时梯度极小，训练早期收敛慢
- 对分割区域大小敏感：小区域的错误被放大
- 非凸性：导致优化易陷入局部最优
改进方案：
- Dice + CE混合损失：典型比例0.3×Dice + 0.7×CrossEntropy，兼顾全局/局部
- 广义Dice Loss(GDL)：为每个类别引入权重w_c = 1 / (Σg_c)²，解决多类不平衡
- Tversky Loss：引入α,β控制假阳/假阴的惩罚权重
在nnU-Net等SOTA分割框架中，默认使用Dice+CE组合。