共计 2134 个字符，预计需要花费 6 分钟才能阅读完成。
背景痛点
医学图像分割（如 CT/MRI 中的器官分割）长期面临边界模糊的挑战，主要原因包括：
- 成像设备限制：临床常用的 CT 层厚约 5mm，MR 体素分辨率约 1×1×2mm³，导致部分器官边界亚体素级结构丢失
- 生理运动伪影：呼吸运动导致肝脏边缘形变，心脏跳动造成心内膜边界模糊
- 对比度不足：软组织间灰度相似（如胰腺与周围脂肪），传统阈值法难以区分
传统损失函数表现不佳：
- 交叉熵损失：平等对待所有像素，无法强化边界区域的学习权重
- Dice 损失：虽改善类别不平衡问题，但对单像素级边缘误差不敏感（如图 1 左）
图 1：传统方法 (左) 与 Boundary Loss(右)在肝脏分割边缘的效果对比
技术解析
核心数学原理
Boundary Loss 将分割问题转化为边界距离最小化任务，定义：
$$L_{boundary} = \sum_{p\in\partial G} \phi_S(p) – \sum_{q\in\partial S} \phi_G(q)$$
其中：
– $\partial G$ 和 $\partial S$ 分别代表真实边界和预测边界
– $\phi(\cdot)$ 为距离变换函数，计算像素到另一组边界的距离
与其他损失函数对比
| 损失函数 | 优势 | 劣势 |
|---|---|---|
| Dice Loss | 全局区域优化好 | 边界像素贡献度低 |
| Hausdorff Loss | 直接优化最大边界误差 | 非平滑、训练不稳定 |
| Boundary Loss | 显式约束边界几何形状 | 需预计算距离变换图 |
与 Dice Loss 的互补性
- Dice Loss：控制整体分割区域的体积一致性
- Boundary Loss：精细调整分割边界的位置精度
- 组合公式：$L = \alpha L_{dice} + (1-\alpha)L_{boundary}$
代码实现
距离变换图生成（3D 处理）
import torch
import scipy.ndimage
def compute_distance_map(mask: torch.Tensor):
"""
计算 3D 二值掩模的距离变换图
Args:
mask: [D,H,W] 值为 0 / 1 的分割标签
Returns:
distance_map: 同尺寸距离图，边界外为正，边界内为负
"""
mask_np = mask.cpu().numpy()
# 计算内部距离（用蚀刻算法）inner_dist = scipy.ndimage.distance_transform_edt(mask_np)
# 计算外部距离（反转掩模）outer_dist = scipy.ndimage.distance_transform_edt(1 - mask_np)
# 合并距离（边界处为 0）return torch.from_numpy(outer_dist - inner_dist).float().to(mask.device)边界损失完整实现
class BoundaryLoss(nn.Module):
def __init__(self, alpha=0.5):
super().__init__()
self.alpha = alpha # Dice 权重
def forward(self, pred, target):
# pred: [B,C,D,H,W]经过 softmax 的输出
# target: [B,D,H,W]one-hot 标签
# 计算 Dice Loss
dice_loss = 1 - (2.*(pred*target).sum() + 1e-6) / \
(pred.sum() + target.sum() + 1e-6)
# 计算 Boundary Loss
boundary_loss = 0
for b in range(pred.shape[0]): # 批处理
dm = compute_distance_map(target[b,1]) # 前景类距离图
boundary_loss += (pred[b,1] * dm).mean() # 只计算前景类
return self.alpha * dice_loss + (1-self.alpha) * boundary_loss实验验证
LiTS 肝脏数据集结果
| 方法 | Dice(%) ↑ | HD95(mm) ↓ | 参数量(M) |
|---|---|---|---|
| UNet+Dice | 92.1 | 8.7 | 31.0 |
| UNet+Dice+BL(ours) | 95.3 | 5.2 | 31.0 |
权重系数 α 的影响
图 2：不同 α 值对 Dice 系数的影响曲线（最佳 α≈0.6）
避坑指南
- 距离图归一化：
- 建议采用
tanh归一化：$\phi_{norm} = \tanh(\phi / \sigma)$ -
$\sigma$ 通常取图像对角线长度的 1 /10
-
多类别处理：
- 对每个类别独立计算 Boundary Loss
-
采用类别权重：$w_c = 1/\sqrt{\text{类别 c 的平均体积}}$
-
显存优化：
- 预先计算验证集的距离图
- 使用
torch.utils.checkpoint分段计算梯度
延伸思考
- 非刚性配准扩展：
- 可将距离变换作为形变场的约束项
-
需解决距离图与形变场的微分同胚映射
-
实时性优化：
- 使用低分辨率距离图（如 1 / 4 尺寸）
- 用 CUDA 实现并行化距离变换计算
参考文献
[1] Kervadec H, et al. Boundary loss for highly unbalanced segmentation. MICCAI 2019.
[2] Sudre CH, et al. Generalised Dice overlap as a deep learning loss function. MICCAI 2017.
正文完
