分割损失：Dice vs. IoU

NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模

对于医学影像分割，像 U-Net 这样的工作经常选择 IoU 损失和 Dice 损失作为损失指标。那么，两者的区别在哪里？

IoU 如下图所示：

其中 IoU 损失定义为：1 — IoU，因此它激励网络扩大 IoU。

我们也经常看到医学图像分割网络中采用 Dice 损失。

Dice 系数定义为：

Dice 损失被定义为 1 — Dice_Coefficient。

那么，为什么要在语义分割中使用 Dice 损失，尤其是对于医学图像？

从定义中，我们注意到 Dice 系数扩大了分母和分子中重叠的权重，基于糖水不等式，如果重叠增加，Dice 损失将以更大的梯度流信息做出响应，从而促进更精确的分割。

在医学图像中，如细胞病理学成像，通常细胞本身占据图像的大部分，如果使用 IoU 损失，网络可能会选择将整个图像预测为正，并且仍然产生不错的性能，这将使进一步的学习变得困难。 如果使用 Dice 损失，损失定义中的重叠权重会增加，因此网络将被激励去分割细胞，而不是学习一些像 IoU 损失中的情况那样的启发式方法。

原文链接：Dice Loss In Medical Image Segmentation

BimAnt翻译整理，转载请标明出处