深度学习中的cldice损失函数：原理剖析与医学图像分割实战

1次阅读

没有评论

共计 1862 个字符，预计需要花费 5 分钟才能阅读完成。

医学影像中常遇到两个核心挑战：

类别极端不平衡：以脑肿瘤分割为例，肿瘤像素占比可能不足 1%，传统交叉熵损失会被背景主导
边界模糊性：CT 图像中器官边缘常出现部分体积效应（如肝脏 - 脾脏交界处），导致 Dice 系数这类区域度量失效

传统 Dice 系数（DSC）计算预测与真实掩模的重叠度：

$$
DSC = \frac{2|X \cap Y|}{|X| + |Y|}
$$

而 cldice 创新性地引入 中心线距离约束，其定义为：

$$
cldice = \frac{2|T(X) \cap Y| + 2|X \cap T(Y)|}{|T(X)| + |Y| + |X| + |T(Y)|}
$$

其中 $T(\cdot)$ 表示骨架化操作。通过强制匹配结构的拓扑中心线，使模型更关注形状完整性而非单纯像素覆盖。

传统 Dice：会将粗血管误判为高分（体积相似）
cldice：只有保持正确拓扑的细血管才能得高分（红色为骨架匹配区域）

import torch
import torch.nn.functional as F
from skimage.morphology import skeletonize

class CLDiceLoss(torch.nn.Module):
    """
    Args:
        smooth (float): 避免除零的平滑系数，建议 1.0-10.0
        skel_iter (int): 骨架化迭代次数，3D 数据建议 3 - 5 次
    """
    def __init__(self, smooth=1.0, skel_iter=3):
        super().__init__()
        self.smooth = smooth
        self.iter = skel_iter

    def _get_skel(self, x):
        """CPU 端骨架化（需转 numpy 处理）"""
        return torch.from_numpy(skeletonize(x.cpu().numpy() > 0.5, method='lee')
        ).float().to(x.device)

    def forward(self, pred, target):
        # 二值化处理
        pred_bin = (torch.sigmoid(pred) > 0.5).float()
        target_bin = (target > 0.5).float()

        # 获取骨架
        pred_skel = self._get_skel(pred_bin)
        target_skel = self._get_skel(target_bin)

        # 计算分子项
        inter_tp = (pred_skel * target_bin).sum()
        inter_pt = (pred_bin * target_skel).sum()

        # 计算分母项
        denom = pred_skel.sum() + target_bin.sum() + \
                pred_bin.sum() + target_skel.sum()

        return 1 - (2*inter_tp + 2*inter_pt + self.smooth) / \
                   (denom + self.smooth)

关键参数说明：