语义分割中Dice Loss原理与Python实现

---

前言

用Dice Loss的作语义二分类分割Loss的过程中，发现自己并不知道Dice是什么，计算公式是如何得到的？那么来探索一下。

---

一、Dice Loss是什么？

Dice loss是Fausto Milletari等人在V-net中提出的Loss function，其源于Sørensen–Dice coefficient，是Thorvald Sørensen和Lee Raymond Dice[^1]于1945年发展出的统计学指标（参考WiKi）。这种coefficient有很多別名，最响亮的就是F1 score。在了解Dice loss之前我们先谈谈Sørensen–Dice coefficient是什么。

1，Dice coefficient定义

Dice similarity coefficient (DSC)是用来测量两个样例的相似性，定义如下：

其中 |X∩Y| 是X和Y之间的交集，|X|和|Y|分表表示X和Y的元素的个数，其中，分子的系数为2是保证分母重复计算后取值范围在 [0-1] 之间

二分类问题中DSC 也可以被定义成如下形成：

但是上面这个公式是如何得到的呢？我们回顾一下DSC的其它叫法，比较常听到的是F1 score，看看它是如何定义。

2，F1 score定义

F1 score 定义是想以相同权重的调和平均整合precision和recall两个指标：

我们已经知道，精准率（指预测值与真实值的重合程度，区别于accuracy）和召回率定义如下：

precision和recall的定义又由下面关系给出：

真实值/预测值	Positive	Negative
Positive	True Positive	False Negative
Negative	False Positive	True Negative

可以见F1 score等同于Dice coefficient，直观上dice coefficient是计算$X$与