图像分割任务中，`Dice Loss`中的`Dice`计算 与 评估指标中`Dice`计算的区别 | `TL；DR`: 训练 Loss可以近似，但评估指标要务必精确

图像分割任务中，Dice Loss中的Dice计算 与 评估指标中Dice计算的区别 | TL;DR: 训练 Loss可以近似，但评估指标要务必精确

最近在搭建自己的训练框架时发现：**Dice loss 和 Dice评估指标 虽然都是基于Dice系数计算，但是使用的时候由于身处计算环境和目的不一样，会有一些区别。**区别主要在于：

1. 几乎所有的Loss都是以目标最小化为目的，所以DiceLoss最后会有一个 最小化的步骤
2. Dice Loss从原理上讲，求dice需要先将类别概率转换为类别标签，然后求交求并。但由于标签转换时会涉及argmax操作，而argmax操作会导致计算后的loss失去梯度信息（argmax不可导）。所以为了不丢失梯度信息， DiceLoss使用的是原始的预测概率分布。 个人认为DiceLoss求得是一个近似值，其实也可以理解，作为引导训练的指标，只要方向对即可，不需要很精确。
3. Dice系数，作为一个评估模型训练性能的指标，需要务必精确，因此，在计算Dice系数时，需要先将预测结果的原始预测概率先通过argmax转换为预测标签，然后再求交求并求结果。

Ref:

https://www.cnblogs.com/lfri/p/15552933.html

https://discuss.pytorch.org/t/torch-argmax-cause-loss-backward-dont-work/64782

Dice Loss

Dice Loss 是一种常见的用于图像分割任务的, 基于Dice系数的度量集合相似度的损失函数，特别是对于类别不平衡的数据时。

计算公式如下：

​ $$DiceLoss=1-\frac{2\times |X\cap Y|}{|X|+|Y|}$$

假如预测标签维度为[batch, 4, D, W, H]， 真实标签维度为 [batch, D, W, H] ,其计算代码如下：

class DiceLoss(nn.Module):
    """Dice loss for image segmentation"""
    def __init__(self, smooth=1e-6):
        """
        初始化函数:
        :param smooth: 平滑变量，防止分母为0
        """
        super(DiceLoss, self).__init__()
        self.smooth = smooth

    def forward(self, y_pred, y_true):
        """
        前向反馈
        :param y_pred: 预测值 [batch, 4, D, W, H]
        :param y_true: 真实值 [batch, D, W, H]
        """
        # y_pred = torch.argmax(y_pred, dim=1).to(dtype=torch.int64)   # ⚠️argmax会使得loss失去梯度信息
        # y_pred = F.one_hot(y_pred, num_classes=4).permute(0, 4, 1, 2, 3).float()
        y_true = F.one_hot(y_true, num_classes=4).permute(0, 4, 1, 2, 3).float()

        # 计算Dice 系数
        intersection = (y_pred * y_true).sum(dim=(2, 3, 4))
        union = y_pred.sum(dim=(2, 3, 4)) + y_true.sum(dim=(2, 3, 4))
        Diceloss = (2 * intersection + self.smooth) / (union + self.smooth)
        return 1 - Diceloss.mean()

Dice系数评估指标

Dice 系数是两个集合相似度的一种衡量指标，范围从0到1。

计算公式：

​ $$Dice=\frac{2\times |X\cap Y|}{|X|+|Y|}$$

Dice系数越高，表示标签结果与真实标签越接近。

假如预测标签维度为[batch, 4, D, W, H]， 真实标签维度为 [batch, D, W, H] ,其计算代码如下：

    def dice_coefficient(self, y_pred, y_true):
        """
        计算Dice 系数
        :param y_pred: 预测标签
        :param y_true: 真实标签
        :return: Dice 系数
        """
        # 预处理

        y_pred = torch.argmax(y_pred, dim=1).to(dtype=torch.int64) # 降维，选出概率最大的类索引值,即获取预测类别标签
        y_pred = F.one_hot(y_pred, num_classes=4).permute(0, 4, 1, 2, 3).float() # one-hot
        y_true = F.one_hot(y_true, num_classes=4).permute(0, 4, 1, 2, 3).float() # ont-hot
        
        # 计算Dice 系数
        intersection = (y_pred * y_true).sum(dim=(2, 3, 4))
        union = y_pred.sum(dim=(2, 3, 4)) + y_true.sum(dim=(2, 3, 4))
        dice = (2*(intersection + self.smooth)) / (union + self.smooth)
        return dice.mean(dim=0)