前言

在进行图像分割时，diceloss可以解决图像不均衡的问题，例如：二分类问题中，背景过大，前景（肿瘤）过小；多分类问题中，某一类别的物体体积过小。

一、cross entropy loss

有一个b站up主讲交叉熵这个概念的由来，深入浅出，可以获得一些思考，推荐大家看一下：交叉熵和KL散度

参考文章：损失函数

在计算交叉熵损失函数的过程中，需要对每个像素的loss求均值，可以说每个像素都对最后的结果又均等的贡献，但是在医学图像中，类的比例一般分布是不均衡的，可能会导致最后的结果由像素较多的类主导，忽略较小的肿瘤/特征，后期又提出了wce（weighted-CE），用带权重的交叉熵解决这一问题

二、dice loss

Diceloss：

diceloss解决图像不均衡

在求dice的过程中，将pred和mask求交集和并集，等同于一个掩码操作，讲背景像素全部block掉。因此不管图像大小如何，训练会更倾向于挖掘前景区域

背景区域能否起到监督作用