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 2015 个字符，预计需要花费 6 分钟才能阅读完成。

医学图像分割是深度学习在医疗领域的重要应用之一，但面临着两个主要挑战：

类别不平衡问题：在医学图像中，感兴趣的目标（如肿瘤、血管）通常只占图像的很小一部分。例如，在脑肿瘤分割任务中，肿瘤区域可能只占整个脑部图像的 5% 以下。传统的交叉熵损失函数会倾向于预测背景类别，导致模型对小型目标的识别能力不足。
边界模糊问题：医学图像往往存在低对比度和模糊边界的特点。例如在肺部 CT 扫描中，磨玻璃结节与正常组织的边界常常难以区分。传统 Dice 损失函数在处理这类情况时，容易产生不连续的预测结果。

传统 Dice 系数定义为：

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

其中 $X$ 是预测结果，$Y$ 是真实标签。而 cldice(continuous logistic dice)的改进在于：

$$
cldice = \frac{2\sum(p_i \cdot g_i) + \epsilon}{\sum(p_i + g_i) + \epsilon}
$$

关键区别在于：

使用连续的预测概率 $p_i$ 代替二值化操作
引入平滑因子 $\epsilon$ 防止除零错误
通过 logistic 变换增强边界响应

在血管分割任务中，传统 Dice 可能导致：

细小血管断裂（假阴性）
相邻血管粘连（假阳性）

cldice 通过以下机制保持拓扑结构：

距离变换加权：给边界像素分配更高权重
曲率约束：在损失函数中隐式包含曲率信息

import torch
import torch.nn as nn
import torch.nn.functional as F

class CLDiceLoss(nn.Module):
    def __init__(self, smooth=1.0, gamma=0.5):
        """
        Args:
            smooth: Smoothing factor (default: 1.0)
            gamma: Focus parameter for hard samples (0.5-2.0)
        """
        super(CLDiceLoss, self).__init__()
        self.smooth = smooth
        self.gamma = gamma

    def forward(self, pred, target):
        # Apply sigmoid if needed
        if not (pred.min() >=0 and pred.max() <=1):
            pred = torch.sigmoid(pred)

        # Flatten tensors
        pred_flat = pred.contiguous().view(-1)
        target_flat = target.contiguous().view(-1)

        # Calculate numerator and denominator
        intersection = (pred_flat * target_flat).sum()
        union = (pred_flat + target_flat).sum()

        # Apply gamma correction
        p_t = pred_flat * target_flat + (1-pred_flat)*(1-target_flat)
        modulating_factor = torch.pow(1.0 - p_t, self.gamma)

        # Final loss
        cldice = (2.*intersection + self.smooth)/(union + self.smooth)
        return 1. - torch.mean(modulating_factor * cldice)

关键参数说明：