摘要
Dice损失函数在医学图像分割任务中被广泛使用，基于该损失函数的多种改进方法也相继提出。然而，Dice损失函数仍有进一步优化的空间。在本研究中，我们重新审视了Dice损失的使用方式，发现通过简单的数学变换，Dice损失可以被重写为基于余弦相似性的损失函数形式。基于这一发现，我们提出了一种新型的t-vMF Dice损失函数，该函数采用t-冯·米塞斯-费舍尔（t-vMF）相似性替代传统的余弦相似性。基于t-vMF相似性，所提出的Dice损失函数在形式上比原始Dice损失更为紧凑，具有更优的相似性建模能力。此外，我们设计了一种高效的自适应算法，该算法通过验证集的准确率自动确定t-vMF相似性中的参数 $κ$，从而提出自适应t-vMF Dice损失（Adaptive t-vMF Dice loss）。该算法能够根据类别难易程度动态调整相似性范围：对容易分类的类别采用更紧凑的相似性度量，对困难类别则采用更宽松的相似性度量，从而实现基于类别准确率的自适应训练策略。在四个公开数据集上采用五折交叉验证的实验结果表明，所提出的损失函数在Dice相似系数（DSC）上均优于原始Dice损失及其他现有损失函数，进一步验证了其有效性与优越性。