我有一个模型（3DUnet，回归问题）可以预测值 PD 和 T1，其中 PD 和 T1 是基于输入的 qMRI 输出。根据这些预测，我使用以下公式计算 T1_Weighted_image： Weighted_images = PD (1 - exp(-1 / (T1 + epsilon)))*，其中 epsilon 是一个小值，以防止除以零并且 T1=> 0 .在训练期间，我用于损失计算的基本事实是 T1_Weighted_groundtruth，但我也有 PD 和 T1 的基本事实值，尽管它们不直接用于损失计算。它们用于确保 PD 和 T1 预测值的正确性。损失是使用 T1_Weighted_predict 和 T1_Weighted_groundtruth 之间的损失函数计算的。
但是，存在各种 PD 或 T1 组合，可以为 T1_Weighted 产生类似的结果。例如，我的模型可能预测 PD 的非常低的值（例如在 CSF 中作为一个明显的例子），而不是预测 T1 的高值（这是正确的答案）。有没有一种方法可以迫使我的模型预测正确的值，或者至少预测（任何）可能的组合？
也尝试分别惩罚 PD 和 T1。考虑它们之间的相对比例以及组合指标。或者仅当差异超过阈值或它们之间的比率错误时才使用它们的损失。