论文：https://arxiv.org/abs/1606.04797[0]

paper

本文引入Dice coefficient 去处理医学3D图像里面 前景和背景体素数量严重不平衡的情况。

网络用于处理3D图像输入，采用编码-解码的框架（很像U-Net网络）：

在2个二进制立方体中dice coefficient D可以被写成：

是模型输出的分割结果的立方。
是gt立方体。
立方体表示的是3D图像。取立方体中的每个像素数值做计算。

Dice loss

原论文对Dice loss介绍很精简。这篇很详细一定得看：https://zhuanlan.zhihu.com/p/269592183， dice coefficient在意义上是等同于 的，即对查准率和查全率有一个均衡同等的度量。[0]

dice coefficient是衡量2个样本的相似度的度量函数，取值在[0,1]之间，数值越大表示2个样本越相似。从公式可以看出，样本中表示最好是二值的，因为dice coefficient是求交集1的个数。表示样本X的元素1的个数，表示样本Y的元素个数。

dice coefficient D

Dice loss可以被写为：

dice coefficient D

def dice_loss(target，predictive，ep=1e-8):
    intersection = 2 * torch.sum(predictive * target) + ep
    union = torch.sum(predictive) + torch.sum(target) + ep
    loss = 1 - intersection / union
    return loss

dice loss 对正负样本严重不平衡的场景有着不错的性能，训练过程中更侧重对前景区域的挖掘。但训练loss容易不稳定，尤其是小目标的情况下。另外极端情况会导致梯度饱和现象。因此有一些改进操作，主要是结合ce loss等改进，比如: dice+ce loss，dice + focal loss等。