用于增强医学和细胞图像语义分割的乘法损失

我们提出两种新型损失函数：乘法损失（Multiplicative Loss）和置信度自适应乘法损失（Confidence-Adaptive Multiplicative Loss），用于医学和细胞图像的语义分割。虽然交叉熵损失和 Dice 损失广泛使用，但其加法组合对超参数敏感，往往在数据有限的情况下表现次优。医学图像因隐私、伦理和昂贵的标注成本而面临数据稀缺，亟需稳健且高效的训练目标。我们的乘法损失将交叉熵和 Dice 损失按乘法方式组合，根据预测置信度动态调制梯度。这减少了对自信正确预测的惩罚，同时放大对错误且过度自信预测的梯度，从而稳定优化过程。基于此，置信度自适应乘法损失借鉴 Focal Loss 中的指数缩放机制，将预测概率和 Dice 系数相结合，以在置信度较低时强化梯度，从而在极端数据稀缺情况下提升学习效果。在细胞和医学分割基准数据集上的实验表明，我们的方法在 consistently 超过调优的加法损失和现有损失函数，提供了一种简单、有效且无需调参的机制，以应对数据受限情况下的鲁棒分割。