يُستخدم خسارة دايس (Dice loss) على نطاق واسع في تصنيف الصور الطبية، وقد تم اقتراح العديد من دوال الخسارة المُحسَّنة المستندة إلى هذه الخسارة. ومع ذلك، لا يزال هناك مجال لتحسين خسارة دايس أكثر. في هذه الدراسة، قمنا بإعادة النظر في استخدام خسارة دايس، ووجدنا أنه يمكن إعادة صياغتها كدالة خسارة تعتمد على التشابه الكوني (cosine similarity) من خلال تحويل رياضي بسيط. وباستخدام هذا المعرفة، نقدم خسارة دايس جديدة تعتمد على التشابه t-vMF بدلًا من التشابه الكوني، ونُسمّيها خسارة دايس t-vMF. وباستنادًا إلى التشابه t-vMF، تم صياغة خسارة دايس المقترحة كدالة خسارة تشابه أكثر كفاءة وانسيابية مقارنةً بالخسارة الأصلية. علاوةً على ذلك، نقدم خوارزمية فعّالة تُحدد تلقائيًا المعلمة $κ$κ الخاصة بتشابه t-vMF باستخدام دقة التحقق (validation accuracy)، ونُسمّيها خسارة دايس t-vMF التكيفية. وباستخدام هذه الخوارزمية، يمكن تطبيق تشابهات أكثر انسيابية للفئات السهلة، وتشابهات أوسع للفئات الصعبة، مما يمكّننا من تحقيق تدريب تكيفي يعتمد على دقة الفئة. وتم التحقق من تحسين معامل دقة دايس (DSC) بشكل إضافي مقارنةً بالخسارة الأصلية ودوال الخسارة الأخرى، من خلال تجارب أُجريت على أربع مجموعات بيانات باستخدام تحقق عشري (five-fold cross validation).