导读

​ Dice Loss是由 Dice 系数而得名的，Dice系数是一种用于评估两个样本相似性的度量函数，其值越大意味着这两个样本越相似，Dice系数的数学表达式如下：
$$\text{ Dice }=\frac{2|X\cap Y|}{|X|+|Y|}$$

其中，$|X\cap Y|$ 表示 X 和 Y 之间交集元素的个数， $|X|$ 和 $|Y|$ 分别表示 X，Y 中元素的个数。Dice Loss 表达式如下：

$$\text{ DiceLoss }=1-\text{ Dice }=1-\frac{2|X\cap Y|}{|X|+|Y|}$$

语义分割下的dice loss

​ Dice Loss常用于语义分割问题中，计算公式不变，但是变量含义有所改变。 $\mathrm{X}$ 表示真实分割图像的像素标签， $\mathrm{Y}$ 表示模型预测分割图像的像素类别。 $\mathrm{Y}$ 只有 0，1 两个值，0表示像素点不是目标类，1表示像素点是目标类。 $|X\cap Y|$ 近似为预测图像的像素与真实标签图像的像素之间的点乘，并将点乘结果相加， $|X|$ 和 $|Y|$​ 分别近似为它们各自对应图像中的像素相加。故有公式：
$$\text{ DiceLoss }=1-\frac{2{\sum }_{i=1}^N{y}_i{\hat{y}}_i}{{\sum }_{i=1}^N{y}_i+{\sum }_{i=1}^N\widehat{y_i}}$$

注意，dice loss通常是不计算背景类的。

​ 对于多分类问题，对 label 进行 one hot 编码，生成多个 label 图，每个类别对应一个二分类label图。通过计算每个类别的 Dice Loss 损失，最后再求均值即得到多分类的 Dice Loss 损失。

等价F1-score

​ 假设有两个集合 $A$ 和 $B$ ， Dice系数定义为：
$$\mathrm{Dice}(A,B)=\frac{2|A\cap B|}{|A|+|B|}$$
$A\cap B$ 表示预测结果与真实标签的交集，在二分类问题中等于正确预测为正类的数量 TP 。而 $FP$ 表示预测为正类但实际上是负类的数量 (属于A，但不属于B) ， $FN$ 表示预测为负类但实际上是正类的数量 (属于B，但不属于A) ，故又有
$$2\ast \mathrm{TP}+\mathrm{FP}+\mathrm{FN}=|A|+|B|$$
故有，
$$Dice=\frac{2\ast TP}{2\ast TP+FP+FN}$$
，该公式正好等于 F1-score。

二分类例子

​ 假设模型输出的预测值如下

标签 label 如下（0 即对应背景，表示不属于某一类，1 表示属于某一类）：
计算类别1的dice：
$$\begin{array}{rl}|\mathrm{X}\cap \mathrm{Y}|& =\left[\begin{array}{lll}0.5322& 0.4932& 0.1764\\ 0.3107& 0.5297& 0.1604\\ 0.3841& 0.3537& 0.3574\\ 0.3323& 0.8301& 0.6436\end{array}\right]\star \left[\begin{array}{lll}0& 0& 0\\ 0& 0& 0\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]\\ & \\ & =\left[\begin{array}{lll}0.0000& 0.0000& 0.0000\\ 0.0000& 0.0000& 0.0000\\ 0.3841& 0.3537& 0.3574\\ 0.3323& 0.8301& 0.6436\end{array}\right]\to 2.9012\text{ (求和) }\end{array}$$

$$|\mathrm{X}|=\left[\begin{array}{lll}0.5322& 0.4932& 0.1764\\ 0.3107& 0.5297& 0.1604\\ 0.3841& 0.3537& 0.3574\\ 0.3323& 0.8301& 0.6436\end{array}\right]\to 5.1038$$

$$|Y|=\left[\begin{array}{lll}0& 0& 0\\ 0& 0& 0\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]\to 6$$

所以 Dice 系数为
$$\mathrm{D}=\frac{2\ast |\mathrm{X}\cap \mathrm{Y}|+1}{|\mathrm{X}|+|\mathrm{Y}|+1}=\frac{2\ast 2.9012+1}{5.1038+6+1}=0.5620$$
所以 Dice 损失 $\mathrm{L}=1-\mathrm{D}=0.4380$ 。

优点

​ Dice Loss 可以缓解样本中前景背景（面积）不平衡带来的消极影响，前景背景不平衡也就是说图像中大部分区域是不包含目标的，只有一小部分区域包含目标。Dice Loss训练更关注对前景区域的挖掘，即保证有较低的FN，但会存在损失饱和问题，而CE Loss是平等地计算每个像素点的损失，当前点的损失只和当前预测值与真实标签值的距离有关，这会导致一些问题（见Focal Loss）。因此单独使用Dice Loss往往并不能取得较好的结果，需要进行组合使用，比如Dice Loss+CE Loss或者Dice Loss+Focal Loss等。

代码

def Dice_loss(inputs, target, beta=1, smooth = 1e-5):
    n, c, h, w = inputs.size()
    nt, ht, wt, ct = target.size()
    if h != ht and w != wt:
        inputs = F.interpolate(inputs, size=(ht, wt), mode="bilinear", align_corners=True)
        
    temp_inputs = torch.softmax(inputs.transpose(1, 2).transpose(2, 3).contiguous().view(n, -1, c),-1)
    temp_target = target.view(n, -1, ct)
 
    #--------------------------------------------#
    #   计算dice loss
    #--------------------------------------------#
    tp = torch.sum(temp_target[...,:-1] * temp_inputs, axis=[0,1])
    fp = torch.sum(temp_inputs                       , axis=[0,1]) - tp
    fn = torch.sum(temp_target[...,:-1]              , axis=[0,1]) - tp
 
    score = ((1 + beta ** 2) * tp + smooth) / ((1 + beta ** 2) * tp + beta ** 2 * fn + fp + smooth)
    dice_loss = 1 - torch.mean(score)
    return dice_loss