U-Net代码复现--utils dice_score.py

本文记录自己的学习过程，内容包括：
代码解读：Pytorch-UNet
深度学习编程基础：Pytorch-深度学习（新手友好）
UNet论文解读：医学图像分割：U_Net 论文阅读
数据：https://hackernoon.com/hacking-gta-v-for-carvana-kaggle-challenge-6d0b7fb4c781

完整代码解读详见：U-Net代码复现–更新中

utils

dice_score.py

在train.py中：
loss = criterion(masks_pred.squeeze(1), true_masks.float())
loss += dice_loss(F.sigmoid(masks_pred.squeeze(1)), true_masks.float(), multiclass=False)

其中：

• 交叉信息熵：criterion = nn.CrossEntropyLoss() if model.n_classes > 1 else nn.BCEWithLogitsLoss() .
• Dice 系数(Dice coefficient) 损失函数：dice_loss(F.sigmoid(masks_pred.squeeze(1)), true_masks.float(), multiclass=False)

Dice coefficient也被称为F1-score，是一种用于衡量两个集合相似度的指标，通常用于图像分割任务中。在医学图像分割中，Dice coefficient常用于衡量模型预测的分割掩码与真实标签之间的相似度。Dice coefficient越接近1，表示预测结果与真实标签越相似。

dice coefficient 源于二分类，本质上是衡量两个样本的重叠部分。该指标范围从0到1，其中“1”表示完整的重叠。 其计算公式为：
$$Dice=\frac{2|A\cap B|}{|A|+|B|}$$
其中 $|A\cap B|$ 表示集合A、B 之间的共同元素，|A| 表示 A 中的元素的个数，B也用相似的表示方法。

关于inter = 2 * (input * target).sum(dim=sum_dim)中sum的理解参考：Pytorch：torch.sum()函数用法

def dice_coeff(input: Tensor, target: Tensor, reduce_batch_first: bool = False, epsilon: float = 1e-6):
    # Average of Dice coefficient for all batches, or for a single mask
    # 确保input和target数量一致
    assert input.size() == target.size()
    # 确保imput维度为3，或者reduce_batch_first为False(这里reduce_batch_first为True,所以input.dim() == 3)
    assert input.dim() == 3 or not reduce_batch_first

	# sum_dim = (-1, -2, -3)
    sum_dim = (-1, -2) if input.dim() == 2 or not reduce_batch_first else (-1, -2, -3)

	# input 和 target像素为[0,1]，相乘则得到均为1的部分，即A∩B
    inter = 2 * (input * target).sum(dim=sum_dim) # 对所有维度求和
    # 计算|A|+|B|
    sets_sum = input.sum(dim=sum_dim) + target.sum(dim=sum_dim)
    sets_sum = torch.where(sets_sum == 0, inter, sets_sum) 

    dice = (inter + epsilon) / (sets_sum + epsilon)
    return dice.mean()

def multiclass_dice_coeff(input: Tensor, target: Tensor, reduce_batch_first: bool = False, epsilon: float = 1e-6):
    # Average of Dice coefficient for all classes
    return dice_coeff(input.flatten(0, 1), target.flatten(0, 1), reduce_batch_first, epsilon)

def dice_loss(input: Tensor, target: Tensor, multiclass: bool = False):
    # Dice loss (objective to minimize) between 0 and 1
    fn = multiclass_dice_coeff if multiclass else dice_coeff
    return 1 - fn(input, target, reduce_batch_first=True)