想象你是一位医学影像科的“摄影师”，要给全班同学拍一张三维立体合影。整张合影由几千万个整齐排列的“小格子”组成，每个格子叫一个体素（voxel，三维世界里的像素），就像合影里的一个同学。可惜，这班里99%的同学都是统一着装的“背景墙”——空腔、脂肪、正常组织——而你真正要找的“重点嘉宾组”，比如一个早期肿瘤，只占全部格子的不到1%，缩在画面角落。老办法交叉熵损失就像一位严苛的班主任：他逐个核对每个同学有没有穿对校服，结果99%的人都穿对了，他兴高采烈打98分——可那位唯一重要的嘉宾压根没入镜！这就是让医学分割团队头疼的“体素级类别不平衡”。V-Net带来的Dice损失换了个思路：不问全班几千几万人，只问“请柬上那位嘉宾站没站到指定位置、和名单上的样子重叠得多不多”。这篇文章就带你拆开这个思路，看懂Dice损失怎么成了3D医学分割的标配武器。

岗位关联

学懂Dice损失，你就掌握了医学影像分割在类别极度不平衡场景下的核心武器，这是设计稳健3D分割模型、讲清技术选型逻辑的高频考点。

目录
  1. 可视化演示
  2. 体素级不平衡
  3. V-Net网络架构
  4. Dice系数定义
  5. Dice损失函数
  6. 训练稳定性
  7. 损失函数对比
  8. 医学分割实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

三模式展示Dice损失核心：预测与真实掩码交并比计算、体素级前景背景极度不平衡问题分析、CE与Dice及组合损失收敛曲线对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Dice系数：预测与真实掩码重叠度 GT（青色）为真实标注掩码，PRED（橙色）为预测掩码 绿色交集区域衡量两者重合程度 Dice = 2|X∩Y| / (|X|+|Y|)，取值[0,1] Dice系数直接优化分割重叠度，1表示完全重合，0表示无交集。

体素级不平衡

你拍过全班合影吗？照片上99%的同学都穿着统一校服站在背景里，只有被邀请的三位嘉宾缩在角落，占不到画面的一小块。医学影像分割面对的正是这种场景：一次CT扫描被切成几百万到几千万个“小格子”，每个格子是一个体素（voxel，三维里的像素）。要分割的肝脏或肿瘤，往往只占全部体素的1%甚至更少，其余全是背景。这就是“体素级类别不平衡”。

如果用老办法交叉熵损失（cross entropy）逐个格子打分，会怎样？交叉熵像一个班主任，逐个确认每个学生“有没有穿校服”。因为99%的格子都是背景且预测正确，班主任的总分很高，于是模型学到的策略变成“反正全都说成背景，得分也不差”。真正重要的少数前景体素对总损失的贡献微乎其微，梯度被海量背景体素“淹没”——就像嘉宾缺席了合影，班主任却因为其他人整齐而打了98分。把这种失衡定量化，常用正负样本比来表示：

合影的道理告诉我们：评判合影质量，不能只盯着“大多数同学站没站好”，更要看“嘉宾组是否到位”。这也是V-Net抛弃纯交叉熵、改用Dice损失的出发点。

r=NnegNpos\displaystyle r = \frac{N_{\text{neg}}}{N_{\text{pos}}}
r表示背景体素与前景体素的比值，医学分割场景里常常高达几十甚至几百，这正是交叉熵失效的根源。
  1. 背景体素数（N_neg）整幅3D影像中不属于目标结构的体素总数，数值上占据绝对多数。
    Nneg≫NposN_{\text{neg}} \gg N_{\text{pos}}
  2. 前景体素数（N_pos）目标器官或病灶实际占有的体素数量，经常不到全部体素的2%。
    Npos≈0.02 NN_{\text{pos}} \approx 0.02\,N
  3. 失衡比值（r）两类体素的数量比，r越大表示类别越失衡，交叉熵被背景主导得越厉害。
    r=NnegNposr = \frac{N_{\text{neg}}}{N_{\text{pos}}}

V-Net网络架构

为了拍好这张三维合影，V-Net给摄影师配了一台“立体全景相机”。它不逐张平面照片处理，而是直接输入整个CT立方体，用通体3D卷积一次扫过整块体积。V-Net由Milletari等人于2016年提出，是全卷积的3D分割网络，以体素为基本单元做端到端分割，这也是它能处理任意大小立体影像的原因。

它的骨架沿用U-Net的“编码器-解码器”对称结构，像摄影师先站在远处收焦看整体轮廓，再一步步走回来放大细节。编码器反复做3D卷积和步长为2的下采样，把分辨率逐层压缩，提取越来越抽象的语义；解码器配合反卷积逐层恢复分辨率，把低分辨率的轮廓“翻译”回每个体素的类别。为了让细节不丢，V-Net还引入残差连接——相当于摄影师每按一次快门都留一份底稿，原始信息可以抄近路直接传到后面，避免深层网络丢失细微结构。残差连接的写法很简洁：

不过，相机再好，如果评选标准还是“全班点名式”的交叉熵，嘉宾照丢了一样能得高分。所以真正让V-Net被医学分割圈记住的，是它带来的全新评判标准——Dice损失。

xout=F(x)+x\displaystyle x_{\text{out}} = \mathcal{F}(x) + x
输出等于“卷积变换后的结果”加上“原始的输入”，让网络学习的是变化量而不是完整的映射，梯度回传时多了一条直通线。
  1. 卷积变换（F(x)）一组3D卷积、归一化和非线性激活对特征图做的处理，相当于摄影师重新取景和对焦。
    F(x)=σ(W∗x+b)\mathcal{F}(x) = \sigma(W * x + b)
  2. 原始输入（x）本层之前保留的特征图，通过跳跃路径直接跨阶段传递，不留丢失的机会。
    xout=F(x)+xx_{\text{out}} = \mathcal{F}(x) + x
  3. 逐元素相加（+）把变换结果与原图在同一位置逐体素相加，误差回传时原图路径保持通畅。
    xout−x=F(x)x_{\text{out}} - x = \mathcal{F}(x)

Dice系数定义

现在把评判标准换一换。把专家手工勾画的金标准掩码和模型预测的掩码，分别画成两张透明卡片，叠在那张合影上。Dice系数（Dice Similarity Coefficient，DSC）测量的就是这两张卡片上“嘉宾区域”的重合程度。它源自Sørensen和Dice在二十世纪四十年代提出的集合相似度指标：交集被两组各算一遍，于是乘2，再除以两组面积之和。完全重合时分子分母相等，得满分1；完全没有重叠则为0。

Dice系数和工程师更熟悉的IoU（交并比）关系紧密：两者的换算公式是Dice = 2IoU / (1 + IoU)。同样一组区域，Dice永远不小于IoU，医学影像界也因此更习惯用DSC作为统一口径。

DSC=2 ∣X∩Y∣∣X∣+∣Y∣\displaystyle DSC = \frac{2\,|X \cap Y|}{|X| + |Y|}
Dice系数是“两倍的交集体素数”除以“两组各自的体素数之和”，取值范围0到1，1表示完全重合。
  1. 交集体素数（|X∩Y|）金标准前景与预测前景共同占有的体素数，两张卡片完全重叠的部分。
    ∣X∩Y∣=#{i:gi=1 且 pihard=1}|X \cap Y| = \#\{i : g_i = 1 \text{ 且 } p_i^{\text{hard}} = 1\}
  2. 两组面积之和（|X|+|Y|）金标准前景体素数加预测前景体素数，因为交集被重复计算，需要前边的系数2去平衡。
    ∣X∣+∣Y∣=#{i:gi=1}+#{i:pihard=1}|X| + |Y| = \#\{i : g_i = 1\} + \#\{i : p_i^{\text{hard}} = 1\}
  3. 系数2的意义保证完全重合时结果为1，而不是0.5，让评分符合直觉。
    X=Y⇒DSC=2∣X∣∣X∣+∣X∣=1X = Y \Rightarrow DSC = \frac{2|X|}{|X| + |X|} = 1

Dice损失函数

Dice系数天生是个“与规模无关”的指标：不管合影里站了一千人还是三个人，只要嘉宾组站得正、站得全，得分就高。V-Net的贡献，就是把这种“只看目标重叠”的评分直接变成损失函数——把“相似度”翻转为“不相似度”。

在实现上，为了让损失能端到端反向传播，网络输出先经过Sigmoid激活，得到每个体素的前景概率p_i（0到1之间），金标准是0/1掩码g_i。把集合大小替换成逐体素求和，就得到处处可微的Soft Dice损失：

交叉熵的“全班点名”在这一刻被换成“只数嘉宾组”。无论背景同学有多少，Dice损失都只关心请柬上那几位嘉宾站没站到位置、重没重叠够。

LDice=1−2∑ipi gi∑ipi+∑igi\displaystyle L_{Dice} = 1 - \frac{2\sum_{i} p_i\,g_i}{\sum_{i} p_i + \sum_{i} g_i}
损失等于“1减Dice”：模型预测越接近金标准，损失越小。它只统计前景体素，背景无论多大都不进入分子分母。
  1. 预测概率（p_i）Sigmoid输出的前景概率，取值0到1，相当于“嘉宾站位的置信度”。
    pi∈[0,1]p_i \in [0, 1]
  2. 金标准（g_i）专家标注的0/1掩码，1表示该体素属于目标结构。
    gi∈{0,1}g_i \in \{0, 1\}
  3. 分子（2Σ p_i g_i）逐体素计算“预测概率×真实标签”再累加，近似两组交集体素数，且处处可微。
    ∑ipigi≈∣X∩Y∣\sum_i p_i g_i \approx |X \cap Y|
  4. 分母（Σp_i + Σg_i）预测前景总量加真实前景总量，相当于软化的|X|+|Y|，背景体素不会出现在这个求和里。

训练稳定性

不过，只用Dice损失也并非万事大吉。想象嘉宾只露出半个肩膀入镜：分母很小，损失一下子剧烈跳动。医学分割里，早期肿瘤可能只有几百个正体素，一旦网络对它们的预测概率普遍偏低，Dice损失的梯度幅值会很大，训练容易出现震荡甚至爆炸。为了解决这类工程问题，实践者们通常会给公式垫一个“安全垫”——平滑项s：

训练中还常配合两条经验：一是过滤掉完全没有前景的金标准切片，避免给模型“空对空”的无意义信号；二是把学习率调小，让网络在嘉宾组面前稳扎稳打。

LDice=1−2∑ipigi+s∑ipi+∑igi+s\displaystyle L_{Dice} = 1 - \frac{2\sum_i p_i g_i + s}{\sum_i p_i + \sum_i g_i + s}
平滑项既防止分母为零（完全没有预测前景时除零），也让早期训练更稳定。常见实现取s = 10^{-5}到10^{-2}。
  1. 平滑项（s）一个很小的正数，像厚垫子一样垫在分子和分母上，避免数值除零。
    s>0s > 0
  2. 分子加s当预测和金标准的交集为0时，分子不再是0，避免"0/0"的未定义状态。
    ∑ipigi=0⇒分子=s\sum_i p_i g_i = 0 \Rightarrow \text{分子} = s
  3. 分母加s当预测前景和金标准前景面积和也为0时，分母不为0，梯度不会变成无穷大。
    ∑ipi+∑igi=0⇒分母=s\sum_i p_i + \sum_i g_i = 0 \Rightarrow \text{分母} = s
  4. s过大的副作用s太大会稀释真实重叠信号，微小目标的交集贡献被常数淹没，所以还要搭配小学习率与组合损失使用。

损失函数对比

既然Dice损失只看嘉宾组，会不会漏掉个别背景同学的细节问题？会。Dice损失在区域层面给出强信号，但缺乏体素级信号：两个都预测错的体素，只要总面积一样，Dice损失分不出差别。交叉熵恰好相反，它逐点检查，具备细粒度监督。所以医学分割里最常见的组合拳是：

除了组合损失，Focal损失（焦点损失）也给难样本更高权重，但在正负样本比极度悬殊时超参敏感，远不如Dice直接。加权交叉熵需要手动设计权重，面对未知比例的新数据集时容易失效。就像班主任既要点名保证每个学生都不丢，又要重点盯住嘉宾组是否到位，两条线同时走才是完整方案。

Lcomb=LCE+λ LDice\displaystyle L_{\text{comb}} = L_{CE} + \lambda\, L_{Dice}
组合损失让模型既享受Dice对重叠度的直接优化，又保留交叉熵的逐体素监督，λ常用0.5到1。
  1. 交叉熵项（L_CE）对每个体素独立计算预测与标签的差异，提供细粒度的“点名式”监督。
    LCE=−1N∑i[gilog⁡pi+(1−gi)log⁡(1−pi)]L_{CE} = -\frac{1}{N}\sum_i \left[ g_i \log p_i + (1-g_i)\log(1-p_i) \right]
  2. Dice项（L_Dice）从区域重叠角度惩罚整体结构偏差，弥补交叉熵被背景稀释的缺陷。
    LDice=1−2∑ipigi∑ipi+∑igiL_{Dice} = 1 - \frac{2\sum_i p_i g_i}{\sum_i p_i + \sum_i g_i}
  3. 平衡系数（λ）控制两项损失的相对权重，实践上λ常取1，也可用验证集搜索。
    λ∈[0.1,2]\lambda \in [0.1, 2]

医学分割实践

分割网络训练完之后，“合影拍得好不好”要有一个统一的量化标准，医学影像界公认的就是Dice系数——此时它叫DSC。体检报告里的器官体积、肿瘤负荷、术后残留评估，都要靠分割结果“数体素”得来。

实践中，器官分割（肝脏、肾脏、前列腺）目标较大，DSC容易到0.90以上；肿瘤分割目标小而散，能到0.80就相当不错。多类别分割（多个器官同时分割）则先算每一类的DSC再取平均，避免大器官掩盖小器官的低分：

最终合影墙上贴的评分表，就是每个嘉宾组的DSC——这正是V-Net把Dice写进损失函数的原因：训练时用它当指挥棒，考核时用它当成绩单。

mDSC=1C∑c=1CDSCc\displaystyle mDSC = \frac{1}{C}\sum_{c=1}^{C} DSC_c
mDSC把每个类别的Dice系数取平均，每一个类别对总分的影响力相同。
  1. 类别总数（C）分割任务中的结构数量，比如肝脏、胰腺、肿瘤三类。
    C=3C = 3
  2. 单类别Dice（DSC_c）第c类单独与金标准计算的Dice，衡量该类嘉宾组的到位率。
    DSCc=2∣Xc∩Yc∣∣Xc∣+∣Yc∣DSC_c = \frac{2|X_c \cap Y_c|}{|X_c| + |Y_c|}
  3. 取平均（1/C）等权平均保证每个类别对总分贡献相同，小器官低分不会被大器官高分掩盖。
    mDSC=1C(DSC1+DSC2+⋯+DSCC)mDSC = \frac{1}{C}\left(DSC_1 + DSC_2 + \cdots + DSC_C\right)

AI 应用场景

放疗靶区自动勾画

阶段：模型训练 / 损失函数设计

解决的问题：放疗医生需要逐层勾画肿瘤靶区，非常耗时，且病灶在CT中体素占比极小。传统软件基于阈值和手动编辑，对低对比度病灶几乎失效。V-Net配合Dice损失直接优化靶区与金标准的重叠度，让模型从“全班点名”切换到“只看嘉宾组”，训练出一个可用的3D分割模型。

具体案例：某医院肿瘤科要勾画CT上的鼻咽癌靶区，一例512×512×150的影像里肿瘤只占0.8%。采用V-Net+Dice损失训练后，靶区DSC从交叉熵的0.62提升到0.84，单例勾画时间从40分钟缩短到5分钟。

开源数据集与器官分割评测

阶段：模型评估 / 模型部署

解决的问题：公共数据集LiTS、KiTS19中肝脏与肿瘤、肾脏与肿瘤体积差异悬殊，需要一个统一标准衡量模型好坏。DSC既作为损失函数又作为评估指标，让团队在提交排行榜前就知道模型的真实水平。

具体案例：算法团队用预训练V-Net在KiTS19肾脏肿瘤数据集上微调，以Dice损失为主、交叉熵为辅，把肿瘤DSC从0.51提高到0.67，随后封装为院内科研平台的自动分割接口，供影像科医生一键调用。

术前术后器官体积随访

阶段：推理 / 临床统计

解决的问题：肝移植术前术后需要精确的器官体积数据，传统人工勾画依赖经验、重复性差。用Dice损失训练的分割模型可以直接输出前景体素数，再乘以体素体积得到器官容积，全程无需人工逐层描边。

具体案例：某三甲医院肝外科对20例活体肝移植供者做术前CT分割，V-Net模型的肝脏DSC平均0.93，自动计算的肝脏体积与术中实际重量误差在4%以内，医生只需在关键层面做少量修正。

Python 演示

python36 行
import numpy as np  def dice_coefficient(pred, target, smooth=1e-5):    pred_flat = pred.reshape(-1)    target_flat = target.reshape(-1)    intersection = np.sum(pred_flat * target_flat)    return (2.0 * intersection + smooth) / (        np.sum(pred_flat) + np.sum(target_flat) + smooth    )  def dice_loss(pred, target, smooth=1e-5):    return 1.0 - dice_coefficient(pred, target, smooth)  def cross_entropy_loss(pred, target):    pred_clip = np.clip(pred, 1e-7, 1 - 1e-7)    return -np.mean(        target * np.log(pred_clip) + (1.0 - target) * np.log(1.0 - pred_clip)    )  if __name__ == "__main__":    np.random.seed(42)    vol = np.random.rand(64, 64, 64)    mask = np.zeros_like(vol)    mask[20:24, 30:36, 30:36] = 1.0    print("前景体素占比: {:.3%}".format(mask.mean()))    print("Dice 系数: {:.4f}".format(dice_coefficient(vol, mask)))    print("Dice 损失: {:.4f}".format(dice_loss(vol, mask)))    print("交叉熵损失: {:.4f}".format(cross_entropy_loss(vol, mask)))    all_bg = np.zeros_like(vol)    print("预测全背景 -> Dice: {:.4f}, CE: {:.4f}".format(        dice_coefficient(all_bg, mask), cross_entropy_loss(all_bg, mask)    ))
目的：用numpy实现Soft Dice系数、Dice损失和交叉熵损失，并在一个前景仅占0.1%的模拟3D体数据上对比二者如何对待“预测全背景”的失败。
  1. intersection = np.sum(pred_flat * target_flat)逐体素相乘再求和，近似两组“嘉宾区域”的重叠体素数。
  2. (2.0 * intersection + smooth) / (... + smooth)Dice公式的numpy实现，平滑项防止除零。
  3. pred_clip = np.clip(pred, 1e-7, 1 - 1e-7)交叉熵要对数运算，先把概率夹到(0,1)区间避免log(0)。
  4. mask[20:24, 30:36, 30:36] = 1.0在64×64×64体数据中放置一小块前景，模拟只占0.1%的目标。
  5. all_bg = np.zeros_like(vol)构造“预测全为背景”的极端失败输出，用来暴露交叉熵被背景骗过的本质。

常见误区

误区我用了Dice损失，正负样本不平衡就不再是问题，训练再也不会失败了。

正解Dice损失对“区域重叠”鲁棒，但当目标极小（只有几百个体素）时，梯度幅值很大且不稳定；如果网络初始全预测为背景，梯度还可能振荡。通常需要与交叉熵组合、加平滑项、用小学习率，并过滤空掩码切片。Dice只是把指挥棒从“全班点名”换成“只盯嘉宾组”，但嘉宾组太小时同样的镜头也可能看不清。

为何常见：Dice在常见不平衡数据集上效果立竿见影，容易被当成一劳永逸的万能药。

误区Dice和IoU都是重叠指标，数值差不多，用哪个都行。

正解两者数学关系是Dice = 2IoU / (1 + IoU)。IoU是交集除以并集，Dice是两倍交集除以两组面积之和，同一对区域Dice总是大于等于IoU。比如IoU为0.5时，Dice约等于0.667。医学影像界约定俗成报DSC，而计算比赛榜单时两者不能混用。

为何常见：两者都在统计重叠区域，公式长得像，直觉上容易画等号。

误区分割输出不是0/1掩码吗？我先用0.5阈值把预测变成二值掩码，再用Dice公式算损失，网络应该学得更好。

正解硬阈值不可导，反向传播的梯度一到阈值函数就断了，网络根本学不到任何东西。正确做法是Soft Dice：把Sigmoid输出的连续概率p_i直接代入公式，公式依然可微。阈值化只留在推理后处理阶段，用来生成最终掩码。

为何常见：评价指标时面对的都是二值掩码，容易把“评估流程”直接套到“训练流程”上。

误区Dice损失怕除零，那把smooth设成1.0甚至更大，训练肯定又稳又好。

正解平滑项只是数值保护垫，太大反而稀释真实重叠信号。微小目标场景下s=1会把交集贡献淹没在常数里，让Dice损失退化成“预测总量接近金标准总量”的宽松约束。常见做法是s取10^{-5}到10^{-2}，并在验证集上监控DSC。

为何常见：“加个正数防除零”听起来总是安全，容易忽略它对梯度和信号的稀释作用。

面试题

Q1. V-Net引入Dice损失的核心目的是什么？

单选题 · easy

  • A.加快模型推理速度
  • B.应对体素级不平衡← 正确答案
  • C.减少模型参数量
  • D.增强数据增强效果

答案：B。医学分割中前景目标占比极低，交叉熵被背景主导，Dice损失直接优化预测与金标准的重叠度，对类别不平衡更鲁棒。它既不加速推理也不减少参数，与数据增强无关。

Q2. 一个三维体素（voxel）最准确的理解是？

单选题 · easy

  • A.三维像素的最小单位← 正确答案
  • B.一张二维切片
  • C.一个器官的整体
  • D.一种卷积核大小

答案：A。体素是三维网格中的立方体单元，相当于二维像素在三维空间的推广，是3D医学影像的基本单位。切片、器官、卷积核都不是体素本身。

Q3. 若两组区域交集体素为a、金标准体素为b、预测体素为c，Dice系数为？

单选题 · mid

  • A.2a/(b+c-a)
  • B.2a/(b+c)← 正确答案
  • C.a/(b+c)
  • D.a/(b+c-a)

答案：B。Dice = 2|X∩Y| / (|X|+|Y|)，代入得2a/(b+c)。选项D是IoU（交集/并集）的形式，A分母错用了并集，C少了系数2。

Q4. Dice系数与IoU的关系是？

单选题 · mid

  • A.Dice是IoU的两倍
  • B.Dice与IoU完全相等
  • C.换算为2IoU除以1加IoU← 正确答案
  • D.换算为IoU除以1减IoU

答案：C。令IoU = a/(b+c-a)，则Dice = 2a/(b+c) = 2a/((b+c-a)+a) = 2IoU/(1+IoU)。两者并非倍数或相等关系，选项D的式子不成立。

Q5. 为什么交叉熵损失在医学影像分割中会被背景主导？

单选题 · mid

  • A.背景体素过多稀释前景贡献← 正确答案
  • B.交叉熵无法对概率求导
  • C.背景体的标签都是0
  • D.模型收敛速度实在太快

答案：A。交叉熵对每个体素求损失后取平均，背景体素基数庞大，前景贡献被稀释，梯度方向也以背景为主。交叉熵本身可导，背景标签为0和收敛速度快都不是主导原因。

Q6. V-Net网络结构包含以下哪些设计？

多选题 · mid

  • A.通体三维卷积← 正确答案
  • B.编码解码对称结构← 正确答案
  • C.阶段内残差连接← 正确答案
  • D.循环神经单元

答案：ABC。V-Net通体使用3D卷积，是编码器-解码器对称的U型结构，每个阶段内部含残差连接；它是不含循环神经网络的全卷积网络。

Q7. 对极小的目标区域，Dice损失的梯度特征是？

单选题 · hard

  • A.梯度幅值大训练不稳定← 正确答案
  • B.梯度恒等于零没信号
  • C.梯度与损失大小无关
  • D.梯度始终很小很平稳

答案：A。Dice损失对某体素预测概率的梯度幅值约与分母(Σp + Σg)成反比，目标体素越少，分母越小，梯度越大，训练容易震荡。因此需要平滑项、小学习率和组合损失来稳住训练。

Q8. 关于Dice损失训练稳定性的常用工程手段，正确的有？

多选题 · hard

  • A.在分子分母加平滑项← 正确答案
  • B.使用较小的学习率← 正确答案
  • C.与交叉熵损失组合← 正确答案
  • D.增大批量到无穷大

答案：ABC。平滑项防止除零，小学习率抑制大梯度震荡，交叉熵补充体素级监督，三者都是常见手段。批量大小并非越大越好，也不直接解决Dice损失的不稳定性。

Q9. 医学分割中评价器官分割效果最常用的指标是？

单选题 · easy

  • A.PSNR信噪比指标
  • B.Dice相似系数DSC← 正确答案
  • C.BLEU翻译分数
  • D.F1得分的倒数

答案：B。DSC衡量预测区域与金标准的体素重叠度，是医学分割的共识指标。PSNR用于图像重建，BLEU用于机器翻译，F1的倒数并非常规指标。

Q10. 关于Dice损失与交叉熵损失的互补性，下列说法正确的是？

多选题 · extreme

  • A.Dice给重叠信号CE给逐点监督← 正确答案
  • B.组合损失为CE加λ乘Dice← 正确答案
  • C.Dice对各类别天然等权
  • D.微弱目标Dice不稳可被CE稳定← 正确答案

答案：ABD。Dice提供区域重叠信号，交叉熵提供逐体素信号，组合损失写作L_CE + λL_Dice；微小目标下Dice梯度大，交叉熵的逐点监督能稳定训练。Dice对多类别并非天然等权，通常需逐类算Dice再平均，否则大器官会掩盖小器官。