dice系数 交叉熵_基于Holistic卷积网络的不平衡多类分割的广义Wasserstein Dice 系数...

论文题目：Generalised Wasserstein Dice Score for Imbalanced Multi-class Segmentation using Holistic Convolutional Networks

前言

这篇论文读了2-3天才读完，真的感觉有点难，特别是涉及到公式一类的，又查了各种关于Wasserstein距离的资料，勉强能看得懂，但是这篇文章确实值得一读，因为跟随他的线索，你可能会感觉到，又发现了新大陆，你不曾知道的大陆——两个分布之间的度量。到底有多少种度量方法？哪种方法最优？最适合解决当前的问题？这些都是需要去了解的，关于这些，我会写在最后的补充里。

关于这篇文章，作者是这样说的：虽然使用mean class Dice score训练的CNNs在多类分割中获得了最先进的结果，但这种损失函数既没有利用类间关系，也没有利用多尺度信息。所以说，本文利用Wasserstein 距离的侧重点是为了联系多类分割中类间的关系，利用这种类间的关系优化分割结果，使得表现优于单纯的，没有利用过类间关系的，mean class Dice score.

本文核心内容提出了一种在概率标签空间中基于Wasserstein距离的针对于多类分割的Dice分数的语义知识推广。

提出了一种用深度监督的方法在多尺度下嵌入空间信息的Holistic CNN

展示了Holistic CNNs和泛化的Wasserstein Dice分数的联合使用，实现了对脑瘤分割更具语义意义的分割。

Why——为什么要引入Wasserstein距离

许多分割任务都存在一种类不平衡的问题，两个可实现的方法去解决这个问题：1)用合理的抽样策略去抽取patch；2)在目标函数中，使用像素加权来平衡每个类的分配(也即在Loss上做平衡)。

作者说：理想情况下，输入应该是整个图像，以支持GPU和全卷积的效率。所以针对于平衡问题，在Loss上做文章尤为重要而且more promising。

而Dice Loss的提出就是非常好的例子，对类不平衡问题more robust.However!注意了！这一个However，问题就来了：至少有两个可用信息没有在这个公式中充分的被利用！

(1)标签空间的结构

(2)跨尺度的空间信息

所以，本文引入了Wasserstein距离：我们利用Wasserstein距离，它可以自然地嵌入类之间的语义关系，用于比较标签概率向量，以推广多类分割的Dice得分。

纯(crisp)二值分割的Dice分数

Dice 分数计算(不用解释)The number of All Errors

软(soft)二值分割的Dice分数

概率的分割可以表示为标签概率图:

和

是每个体素

在标签空间

的类别,

是标签概率向量的集合.表示：在S中所有类别等于1的像素的概率的集合表示：在G中所有类别等于1的像素的概率的集合

所以：

其中，

,也就是说，