Dice Lossは、予測マスクと正解マスクがどれだけ重なるか——Dice係数——を直接学習目標にする損失関数です。分類で使う交差エントロピーが「画素ごとの正誤」を積み上げるのに対し、Dice Lossは領域全体の一致を測る——本記事は係数の導出式の暗記ではなく、「なぜセグメンテーションで重なりを損失にするのか」に焦点を当てます。
セグメンテーションというタスク
セグメンテーションは、画像の各画素にクラスを割り当てるタスクです。物体検出が「どこに何があるか」を矩形で示すのに対し、セグメンテーションは輪郭に沿った領域を推定します（G-317、TF-116）。
G-325のFCNやTF-122のU-Netは、画素単位の予測を行うセグメンテーション向けモデルです。モデルが出力するのは「この画素は腫瘍か背景か」といったマスク——Dice Lossはこのマスク同士の重なりを評価します。
重なりで測る発想
Dice係数は、2つの領域 A（正解）と B（予測）の重なりの度合いを 0〜1 で表します。
Dice係数 ≈ 2 ×（重なり画素数）÷（Aの画素数 ＋ Bの画素数）
完全に一致すれば1、全く重ならなければ0に近づきます。学習ではDice Loss ＝ 1 − Dice係数として、この値を小さくする——つまり重なりを大きくする——方向へ誤差逆伝播します（G-204）。
評価指標のIoU（Intersection over Union）と親戚関係にあり、どちらも「領域の一致」を測ります。試験では係数の厳密な式より、重なりを直接最適化する損失という位置づけが要点です。
交差エントロピーとの違い
| 損失 | 何を測るか | 典型タスク |
|---|---|---|
| 交差エントロピー | 各画素のクラス確率と正解ラベルのずれ | 分類・セグメンテーション全般（G-194） |
| Dice Loss | 予測領域と正解領域の重なり率 | セグメンテーション（特に小さな領域） |
| CTC | 整列なしの系列ラベル学習 | 音声認識（G-358） |
| MSE | 予測値と正解値の二乗誤差 | 回帰 |
G-194が示すように、損失はタスクの性質に合わせて選ぶ必要があります。セグメンテーションでも交差エントロピーだけでは、前景画素が少ない（不均衡な）画像で学習が偏ることがあります。Dice Lossは領域全体の一致を直接押し上げる補助輪として使われます。
いつ効くか
- 小さな病変・細い血管 — 正解領域が画像全体に対して極端に小さい医用画像
- 境界の精度 — 輪郭のズレを、画素正解率より重なりで厳しく評価したいとき
- 組み合わせ学習 — 交差エントロピーとDice Lossを併用し、局所分類と領域一致の両方を狙う設計
Dice LossはCNNやU-Netなどどのモデルにも付けられる損失の選択肢であり、モデル名そのものではありません。Mask R-CNNのインスタンスセグメンテーション（TF-124）でもマスク品質の評価・学習に類似の考え方が使われます。
試験で押さえるポイント
- 定義 — セグメンテーションで重なり（Dice係数）を直接最適化する損失
- タスク — 画素単位の領域推定。物体検出のバウンディングボックス損失ではない
- 対比 — 交差エントロピー＝画素分類、Dice＝領域一致（G-194の文脈）
- すり替え回避 — CTC・MSE・評価指標のF値そのものではない
すり替えに注意
| 誤った説明 | 正しい理解 |
|---|---|
| Dice Loss＝交差エントロピー | 画素分類 vs 領域重なり |
| Dice Loss＝CTC | セグメンテーション vs 音声系列（G-358） |
| Dice Loss＝物体検出損失 | マスクの重なり vs バウンディングボックス |
| Dice Loss＝U-Net | 損失関数 vs モデル名（G-324） |
| 重なり＝交差検証 | 損失の話 vs 評価手法（G-112） |
よくある質問
Dice Lossは何をする損失関数ですか？
画像セグメンテーションで、モデルが出力した領域マスクと正解マスクがどれだけ重なるか（Dice係数）を直接評価し、その重なりを大きくする方向へ学習する損失です。画素ごとの分類誤差だけでなく、領域全体の一致を重視します。
Dice Lossと交差エントロピーは同じですか？
同じではありません。交差エントロピーは各画素のクラス予測確率と正解ラベルのずれを積み上げます。Dice Lossは予測領域と正解領域の重なり率を直接最適化します。セグメンテーションでは両方を組み合わせることもありますが、目的の測り方が異なります。
Dice Lossは物体検出の損失ですか？
主にセグメンテーション向けです。物体検出はバウンディングボックスの位置とクラスを扱い、Dice Lossは画素単位の領域マスクの重なりを扱います。タスクと損失の対応を混同しないことが重要です（G-194）。