多类的 Dice Loss (DL)：Dice 损失是医学图像分割的一种流行损失函数，它是预测样本和真实样本之间重叠的度量。该度量的范围从 0 到 1，其中 Dice 得分为 1 表示完全重叠，定义如下

$Loss_{DL}\hspace{0.25em}=\hspace{0.25em}1-2\frac{\sum_{l\in L}\sum_{i\in N}y_i^{\left(l\right)}\oversetˆy_i^{\left(l\right)}\hspace{0.25em}+\hspace{0.25em}\varepsilon}{\sum_{l\in L}\sum_{i\in N}{\left(y_i^{\left(l\right)}+\hspace{0.25em}\oversetˆy_i^{\left(l\right)}\right)}+\hspace{0.25em}\varepsilon}$

其中是一个小常数，以避免除以 0。$\varepsilon$

广义骰子 (GDL)： Sudre 等人。建议使用广义骰子重叠的类再平衡属性作为不平衡任务的稳健且准确的深度学习损失函数。作者研究了在 2D 和 3D 分割任务中存在不同标签不平衡率的情况下 Dice 损失、交叉熵损失和广义 dice 损失函数的行为。结果表明，GDL 比其他损失函数更稳健

$Loss_{GDL}\hspace{0.25em}=1-2\frac{\sum_{l\in L}w_i\sum_{i\in N}y_i^{\left(l\right)}\oversetˆy_i^{\left(l\right)}\hspace{0.25em}+\hspace{0.25em}\varepsilon}{\sum_{l\in L}w_i\sum_{i\in N}{\left(y_i^{\left(l\right)}+\hspace{0.25em}\oversetˆy_i^{\left(l\right)}\right)}+\hspace{0.25em}\varepsilon}$

有关更详细的符号和解释，请参阅此链接

更多信息