BCE与Dice混合损失函数实战指南：从原理到调参避坑

1次阅读

共计 1417 个字符，预计需要花费 4 分钟才能阅读完成。

在图像分割任务中，二元交叉熵（BCE）和 Dice 损失是两种最常用的损失函数，但它们各自存在明显缺陷：

BCE 的局限性 ：
当前景像素（如医学图像中的病灶）占比极低时，模型容易偏向背景预测
公式 $L_{BCE} = -[y\log(p)+(1-y)\log(1-p)]$ 对类别不平衡敏感
Dice 的缺陷 ：
梯度计算涉及预测值和真实值的乘积项 $\frac{2|X\cap Y|}{|X|+|Y|}$，易导致训练初期梯度不稳定
对小目标分割可能出现梯度饱和现象

损失类型	优点	缺点	适用场景
BCE	梯度稳定，理论成熟	对类别不平衡敏感	二分类平衡数据
Dice	直接优化 IoU 指标，对不平衡数据鲁棒	训练初期不稳定	小目标分割
BCE+Dice	平衡梯度稳定性与类别敏感度	需调权重超参	医学图像分割

混合损失函数公式：
$$L_{hybrid} = \alpha L_{BCE} + (1-\alpha)L_{Dice}$$

class HybridLoss(nn.Module):
    def __init__(self, alpha=0.5, epsilon=1e-6):
        super().__init__()
        self.alpha = alpha  # 混合权重系数
        self.epsilon = epsilon  # 数值稳定项
        self.bce = nn.BCELoss()

    def forward(self, pred, target):
        # BCE 项计算
        bce_loss = self.bce(pred, target)

        # Dice 项计算（带稳定性处理）intersection = (pred * target).sum()
        union = pred.sum() + target.sum()
        dice_loss = 1 - (2. * intersection + self.epsilon) / (union + self.epsilon)

        # 动态权重调整（示例：基于 epoch 调整）current_alpha = self.alpha * (1 - 0.01 * epoch)  # 随训练降低 BCE 权重

        return current_alpha * bce_loss + (1 - current_alpha) * dice_loss

关键实现细节：
1. epsilon 防止分母为零
2. 动态权重策略可根据验证集性能调整
3. 输入需先经过 sigmoid 激活

使用 ISBI 2012 细胞分割数据集（数据来源：https://biomedicalimaging.org/2012/），评估指标为 mIoU：