让肿瘤边缘"锋利"起来：边界感知损失（Boundary Loss）的解剖与实战阅读导航：本文约 13,000 字，阅读时间 30 分钟。我们将从一条模糊的海岸线出发，看看深度学习如何把肿瘤的"轮廓"从锯齿状打磨成手术刀般的精确。建议准备一杯咖啡，因为我们要一起走进损失函数的微观世界。0. 引言：当肿瘤的边缘比肿瘤本身更重要想象你是一位外科医生，正在计划切除一位患者的乳腺肿瘤。术前 MRI 显示肿瘤直径约 2 厘米——不大，但它的边界像海岸线一样曲折，有些地方甚至呈毛刺状侵入周围腺体。你的手术边界需要距离肿瘤边缘至少 1 厘米，但如果 AI 分割把边界往外多画了 3 毫米，你可能切掉过多健康组织；如果少画了 3 毫米，你可能留下残留的恶性细胞。听起来让人紧张对吧？别急，这就是边界感知损失（Boundary Loss）要解决的问题。在继续之前，让我们先建立一个直觉。如果你把肿瘤分割想象成在地图上画国境线：Dice Loss像一位统计学家，他只关心"A国和B国的总面积重叠了多少"，不关心国境线是否吻合；Cross-Entropy像一位基层公务员，他逐户检查每个居民（像素）的国籍是否正确，但从不抬头看整条边界是否连贯；Boundary Loss则像一位测绘工程师，他拿着激光测距仪，专门测量"我画的国境线距离