医学图像分割中基于焦点难预测像素Dice损失的数据不平衡缓解方法

为解决医学图像分割中数据不平衡导致的模型性能下降问题，研究人员提出Focal Difficult-to-predict Pixels Dice Loss (FPDL)。该损失函数整合区域型与分布型损失优势，通过非线性映射聚焦难预测像素，在LiverTumor等4个数据集上验证显示其性能优于11种主流损失函数，尤其在高不平衡度数据中提升显著，为医学影像分析提供创新理论指导。

　　

医学图像分割是辅助临床诊断的核心技术，但数据不平衡问题长期制约其发展。例如肝脏肿瘤分割中前景背景像素比可达576:1，导致模型倾向忽略小病灶。现有损失函数改进多依赖经验，缺乏系统性理论指导，且面临梯度消失或过拟合等局限。

中国研究人员通过分析损失函数构建原理与参数更新机制，提出FPDL损失函数。该工作首先阐明了区域型损失（如Dice Loss）与分布型损失（如Focal Loss）在失衡数据集的表现差异，进而将聚焦因子内嵌至区域损失计算过程，使网络能动态关注难预测像素。理论分析表明，FPDL通过非线性映射改变损失导数特性，既缓解样本失衡又避免传统聚焦方法导致的过早收敛问题。

关键技术包括：1) 基于nnU-Net框架进行模型验证；2) 使用LiverTumor等4个公开数据集进行五折交叉验证；3) 对比11种损失函数（WCEL、FL、DFL等）的Dice系数和Hausdorff距离指标；4) 通过梯度分析验证FPDL对参数更新的优化效果。

Loss function construction principles
研究揭示了损失函数通过权重w、偏置b等参数影响网络预测的数学本质，证明FPDL通过改变?L/?p_i
的梯度分布，使难样本获得更大更新权重。

Quantitative comparison results
实验显示FPDL在LiverTumor数据集Dice系数达0.712±0.024，显著优于次优FTL(0.693±0.021)，且在576:1超高不平衡度下优势扩大至8.3%。

Conclusion
FPDL首次实现区域损失与像素级聚焦的协同优化，其创新性体现在：1) 聚焦因子仅作用于预测值与真值交集区域，避免全局干扰；2) 通过logistic映射控制梯度衰减速率，平衡难易样本学习进度。该成果发表于《Expert Systems with Applications》，为医学影像分析领域提供了兼具理论深度与实用价值的解决方案。