最近在肝肿瘤分割的任务上卡住了挺久，找不到提升的方法，看完这篇论文学到了很多，一个是文中提出的损失函数可以直接拿来使用，然后文中简化网络参数的设置以及辅助监督的方式也可以借鉴。
本文主要解决的问题是训练数据不平衡。
首先对当前解决这些问题的函数进行了分析。
如图，黄色那条线可以理解为普通的交叉熵loss，红色那条线可以理解为dice loss，紫色那条线可以理解为focal loss的损失。针对数据不平衡问题，交叉熵loss的做法是进行标签加权。而只使用dice loss则会对难易程度不同的样本产生没有区分的梯度。作者将focal loss 用在语义分割任务中，性能不升反降，作者认为该损失是其在高精度预测处梯度太小。所以作者提出了黑色那条线的损失函数（y=0.3），它拥有focal loss的有优点同时在高精度处又保有较大的梯度。
本文提出的指对数函数
符号含义
其次是网络部分
作者对于3D分割简化了3D VNet，削减了通道数，同时改进了卷积块增加了一个类似残差的结构（但不完全是），增加了解码器端的辅助监督。削减了高分辨率层的卷积层数（对于这点改进持怀疑），加入了高斯噪声和0.5 dropout
网络结构图
数据增扩：
采取的数据增扩措施
最后的实验效果对比
对比
从上图可以看出，只用Dice loss的效果的确有限，所以可以期待改进了Loss后分割性能会有明显提升
