图像分割类损失函数记录以及对比

1.Dice Loss 与 Dice Coefficient

dice loss源自于dice coefficient分割效果评价标准, dice coefficient具体内容如下:

def dice_coefficient(y_true, y_pre):
    eps=1e-5
    intersection = tf.reduce_sum(y_true * y_pre)
    union = tf.reduce_sum(y_true) + tf.reduce_sum(y_pre) + eps
    loss = 1. - (2 * intersection / union )
    return loss

dice loss:

适用场景: 医学影像 图像分割 

2.Sensitivity-Specificity Loss

ss loss来源于准确度计算公式,综合考虑灵敏度和准确度, 通过添加β系统平衡两者之间的权重

具体损失:

def ssl(y_true,y_pred):
    elpha = 0.1
    TP = tf.reduce_sum(y_pred * y_true)
    TN = tf.reduce_sum((1-y_pred )*(1- y_true))
    FP = tf.reduce_sum(y_pred * (1-y_true))
    FN = tf.reduce_sum((1-y_pred )* y_true)
    eps = 1e-6
    sensitivity = TP/(TP+FN)
    specificity = TN/(TN+FP)
    loss = elpha * sensitivity + (1-elpha) * specificity
    return loss

使用场景: 需要侧重TP,TN其中一个的的场合

 

3.Focal Tversky Loss

该损失由tversky loss改进,注重于困难样本的训练

首先, TI (tversky lndex):

 

A表示预测值,B表示真实值,|A-B|代表FP, |B-A|代表FN,调整α与β可调整权重.

然后,FTL( focal tversky loss):

                                                                FTL =Σ (1 − TI  )^γ

γ取[1,3]