Boundary-loss Keras/TensorFlow实现：keras_loss.py使用指南与示例

Boundary-loss Keras/TensorFlow实现：keras_loss.py使用指南与示例

【免费下载链接】boundary-lossOfficial code for "Boundary loss for highly unbalanced segmentation", runner-up for best paper award at MIDL 2019. Extended version in MedIA, volume 67, January 2021.项目地址: https://gitcode.com/gh_mirrors/bo/boundary-loss

Boundary-loss是GitHub加速计划中bo项目的核心功能，它是一种针对高度不平衡分割任务的创新损失函数，在MIDL 2019中获得最佳论文奖亚军，并在MedIA 2021年1月第67卷发表了扩展版本。本文将详细介绍如何在Keras/TensorFlow框架中使用keras_loss.py实现边界损失函数，帮助新手和普通用户轻松掌握这一强大工具。

什么是Boundary-loss？

边界损失（Boundary loss）的核心是网络预测（softmax输出）与预计算距离图之间的逐像素乘法。这种独特的设计使得模型在处理高度不平衡的分割任务时，能够更好地关注目标边界，提高分割精度。与传统的交叉熵（CE）和Dice损失（DSC）相比，边界损失在多类别分割任务中表现尤为出色。

如上图所示，在ACDC四类别数据集上，使用边界损失（L_B）训练的模型能够更准确地分割目标对象，而交叉熵（L_CE）和Dice损失（L_DSC）则在边界区域表现欠佳。

keras_loss.py文件解析

keras_loss.py是Boundary-loss在Keras/TensorFlow框架下的实现文件，主要包含以下核心函数：

1. 距离图计算函数

def calc_dist_map(seg): res = np.zeros_like(seg) posmask = seg.astype(np.bool) if posmask.any(): negmask = ~posmask res = distance(negmask) * negmask - (distance(posmask) - 1) * posmask return res

该函数用于计算输入分割掩码的距离图，通过距离变换（distance_transform_edt）来生成前景和背景的距离信息。

2. 批量距离图计算函数

def calc_dist_map_batch(y_true): y_true_numpy = y_true.numpy() return np.array([calc_dist_map(y) for y in y_true_numpy]).reshape(y_true.shape).astype(np.float32)

该函数将calc_dist_map应用于批量数据，处理一批输入的分割掩码。

3. Keras边界损失函数

def surface_loss_keras(y_true, y_pred): y_true_dist_map = tf.py_function(func=calc_dist_map_batch, inp=[y_true], Tout=tf.float32) multipled = y_pred * y_true_dist_map return K.mean(multipled)

这是Keras框架下的边界损失实现，通过tf.py_function将Python函数calc_dist_map_batch包装为TensorFlow操作，计算预测值与距离图的乘积的平均值作为损失。

如何使用surface_loss_keras函数？

使用surface_loss_keras函数非常简单，只需在模型编译时将其指定为损失函数即可。以下是一个基本的使用示例：

from keras.models import Model from keras.layers import Input, Conv2D # 构建模型 inputs = Input(shape=(256, 256, 1)) x = Conv2D(64, (3, 3), activation='relu', padding='same')(inputs) outputs = Conv2D(2, (1, 1), activation='softmax')(x) model = Model(inputs=inputs, outputs=outputs) # 编译模型，使用边界损失 model.compile(optimizer='adam', loss=surface_loss_keras, metrics=['accuracy'])

边界损失与其他损失函数的结合使用

在实际应用中，边界损失可以与其他损失函数结合使用，以获得更好的分割效果。例如，可以将边界损失与广义Dice损失（GDL）结合：

alpha = K.variable(1, dtype='float32') def gl_sl_wrapper(alpha): def gl_sl(y_true, y_pred): return alpha * generalized_dice_loss(y_true, y_pred) + (1 - alpha) * surface_loss_keras(y_true, y_pred) return gl_sl model.compile(loss=gl_sl_wrapper(alpha))

通过调整alpha参数，可以控制两种损失函数的权重。随着训练的进行，可以使用调度器动态调整alpha值，例如逐渐减小alpha，增加边界损失的权重。

上图展示了在脑部影像分割任务中，使用GDL（b）和GDL结合边界损失（c）的分割效果对比。可以明显看出，结合边界损失后，模型能够更准确地分割出小病灶区域。

多类别分割中的边界损失应用

边界损失在多类别分割任务中的实现非常简单，只需修改边界损失的idc参数以监督所有类别。在ACDC（4类别）数据集的例子中，我们可以这样设置：

boundary_loss = BoundaryLoss(idc=[0, 1, 2, 3]) # 监督所有4个类别

这种灵活性使得边界损失能够轻松应用于各种复杂的分割场景。

总结

Boundary-loss是一种强大的损失函数，特别适用于高度不平衡的分割任务。通过keras_loss.py文件，我们可以在Keras/TensorFlow框架中轻松实现边界损失，并将其与其他损失函数结合使用，以获得更好的分割效果。无论是二分类还是多分类分割任务，边界损失都能帮助模型更好地关注目标边界，提高分割精度。

希望本文能够帮助您快速掌握Boundary-loss的Keras/TensorFlow实现和使用方法。如果您想深入了解Boundary-loss的更多细节，可以参考项目中的losses.py文件和相关文档。

要开始使用Boundary-loss，请先克隆仓库：https://gitcode.com/gh_mirrors/bo/boundary-loss，然后按照本文介绍的方法在您的项目中集成keras_loss.py中的边界损失函数。祝您的分割任务取得成功！

【免费下载链接】boundary-lossOfficial code for "Boundary loss for highly unbalanced segmentation", runner-up for best paper award at MIDL 2019. Extended version in MedIA, volume 67, January 2021.项目地址: https://gitcode.com/gh_mirrors/bo/boundary-loss