缺失或空标签情形下的Dice损失：引入 $\Phi$ 与 $\epsilon$

尽管Dice损失是医学图像分割中主导的损失函数之一，多数研究忽略了对它导数的细察，即使用梯度下降时优化的真正引擎。本文中，我们强调Dice损失在存在缺失或空标签时的特殊作用。首先，我们建立理论基奠，对Dice损失及其导数给出一般性描述。结果表明，约简维度 $\Phi$ 与平滑项 $\epsilon$ 的选择并非平凡，且极大影响其表现。我们发掘并提出了在具缺失或空标签的分割设定中奏效的 $\Phi$ 与 $\epsilon$ 启发式组合。其次，我们在二值与多类分割设定下使用两个公开数据集对这些发现作经验验证。我们确认 $\Phi$ 与 $\epsilon$ 的选择确实关键。当 $\Phi$ 选为在单个批次（及类别）元素上约简、且 $\epsilon$ 可忽略时，Dice损失自然处理缺失标签，性能与近期专为缺失标签设计的改进相当。当 $\Phi$ 选为在多个批次元素上约简、或取启发式 $\epsilon$ 值时，Dice损失可正确处理空标签。我们相信本工作凸显了若干本质视角，并希望其鼓励研究者在未来工作中更好地描述其对Dice损失的确切实现。