转载：从loss处理图像分割中类别极度不均衡的状况---keras

转载：医学类图像分割的各种loss优化与对比：https://blog.csdn.net/m0_37477175/article/details/83004746 *****

医学图像分割Dice loss：https://zhuanlan.zhihu.com/p/86704421 https://www.aiuai.cn/aifarm1159.html

前言
最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：

选择合适的loss function，对网络进行合理的优化，关注较小的目标。
改变网络结构，使用attention机制（类别判断作为辅助）。
与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。
通过使用设计合理的loss function，相比于另两种方式更加简单易行，能够保留图像所有信息的情况下进行网络优化，达到对小目标精确分割的目的。

场景

1. 使用U-Net作为基准网络。
2. 实现使用keras
3. 小目标图像分割场景，如下图举例。
   AI Challenger眼底水肿病变区域自动分割，背景占据了很大的一部分
   
   segthor医疗影像器官分割
   

loss function

 此处的案例可以参考airbus-ship-detection。

 

 

 代码：https://github.com/mkocabas/focal-loss-keras

from keras import backend as K
'''
Compatible with tensorflow backend
'''
def focal_loss(gamma=2., alpha=.25):
	def focal_loss_fixed(y_true, y_pred):
		pt_1 = tf.where(tf.equal(y_true, 1), y_pred, tf.ones_like(y_pred))
        pt_0 = tf.where(tf.equal(y_true, 0), y_pred, tf.zeros_like(y_pred))
        return -K.sum(alpha * K.pow(1. - pt_1, gamma) * K.log(pt_1))-K.sum((1-alpha) * K.pow( pt_0, gamma) * K.log(1. - pt_0))
	return focal_loss_fixed

　使用方法：model_prn.compile(optimizer=optimizer, loss=[focal_loss(alpha=.25, gamma=2)])

-K.mean(alpha * K.pow(1. - pt_1, gamma) * K.log(pt_1)) - K.mean((1 - alpha) * K.pow(pt_0, gamma) * K.log(1. - pt_0))