从loss处理图像分割中类别极度不均衡的状况---keras

前言

场景

loss function

• 一、Log loss
• 二、WBE Loss
• 三、Focal loss
• 四、Dice loss
• 五、IOU loss
• 六、Tversky loss
• 七、敏感性–特异性 loss
• 八、Generalized Dice loss
• 九、BCE + Dice loss
• 十、Dice + Focal loss
• 十一、Exponential Logarithmic loss

参考

前言

最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：

1. 选择合适的loss function，对网络进行合理的优化，关注较小的目标。
2. 改变网络结构，使用attention机制（类别判断作为辅助）。
3. 与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。

通过使用设计合理的loss function，相比于另两种方式更加简单易行，能够保留图像所有信息的情况下进行网络优化，达到对小目标精确分割的目的。

场景

1. 使用U-Net作为基准网络。
2. 实现使用keras
3. 小目标图像分割场景，如下图举例。
   AI Challenger眼底水肿病变区域自动分割，背景占据了很大的一部分
   
   segthor医疗影像器官分割
   

loss function

一、Log loss

对于二分类而言，对数损失函数如下公式所示： $−1N∑Ni=1(yilogpi+(1−yi)log(1−pi))−1N∑i=1N(yilog⁡pi+(1−yi)log⁡(1−pi)) -\frac{1}{N}\sum_{i=1}^{N}(y_i\log p_i + (1-y_i)\log (1-p_i))$−1N∑Ni=1(yilogpi+(1−yi)log(1−pi))−1N∑i=1N(yilog⁡pi+(1−yi)log⁡(1−pi))−N1​i=1∑N​(yi​logpi​+(1−yi​)log(1−pi​))T(A,B)=∣A⋂B∣+α∣A−B∣+β∣B−A∣∣A⋂B∣​
再抄一遍Dice系数公式：
$DSC(A,B)=2∣A⋂B∣∣A∣+∣B∣$DSC(A,B)=2∣A⋂B∣∣A∣+∣B∣