Dice係数の公式の仕組みと覚え方:2つの集合の類似度を計算する指標の基礎
こんにちは。ゆうせいです。
画像解析や自然言語処理の分野において、2つの領域やテキストの類似度を数値で評価する指標として「Dice係数(ダイスけいすう)」が広く用いられています。専門的にはSørensen-Dice係数とも呼ばれ、特に画像の切り抜き領域がどれだけ正解と重なっているかを評価する際によく見られる指標です。
公式の見た目は分数の形をとっており、一見すると複雑に感じる場合があります。しかし、集合の重なり具合を測定する仕組みを順を追って確認することで、暗記に頼ることなく式の形を導き出せるようになります。
本記事では、初心者の方に向けてDice係数の基本的な概念から公式の組み立て方、覚え方、実務上の特徴、そして学習の手順までを解説します。
Dice係数の基本概念
Dice係数は、2つの集合がどれくらい似ているか、つまり「重なり合っている割合」を 0 から 1 までの数値で表す指標です。
完全に一致している場合は 1 となり、全く共通部分がない場合は 0 になります。
円の重なり(ベン図)による比喩
高校の数学で学習する集合の「ベン図」を想定します。
2枚の丸い折り紙、紙Aと紙Bがあるとします。この2枚を机の上に少しずらして重ねた状態を考えます。
このとき、2枚の紙がぴったり重なっていれば、重なり具合は満点の状態です。逆に、全く触れ合っていなければ、重なり具合はゼロです。Dice係数は、紙Aの面積と紙Bの面積を合わせた全体に対して、2枚が重なっている中心部分の面積がどれだけの割合を占めているかを計算する数値です。
構成要素と記号の整理
公式で扱われる記号の意味を整理します。
- 集合A:1つ目の対象(例:モデルが予測した領域)
- 集合B:2つ目の対象(例:正解の正円領域)
- |A|:集合Aに含まれる要素の数や面積
- |B|:集合Bに含まれる要素の数や面積
- A ∩ B:集合Aと集合Bの両方に含まれる共通部分(重なり部分)
- |A ∩ B|:共通部分に含まれる要素の数や面積
Dice係数の公式と構造
Dice係数(記号 DSC または D と表記されます)の計算式は、共通部分の大きさを2倍した数値を、それぞれの集合の大きさの合計で割る分数として定義されます。
この分数式の構造は、分母と分子の役割を分けることで明快に理解できます。
分母の役割:2つの集合の単純な足し算
分母にある |A| + |B| は、集合Aの大きさと集合Bの大きさをそのまま足した値です。
2枚の紙の例に戻ると、紙Aの面積と紙Bの面積を単純に合算した数値です。ここでは重複している領域を引く処理を行わず、元の2つの大きさをそのまま基準として合算しています。
分子の役割:重なり部分を2倍にする理由
分子にある 2 |A \cap B| は、2つの集合が共有している部分の大きさを 2倍 しています。
なぜ 2倍 するのかという点に疑問を持つ方が多くいます。分母の |A| + |B| を計算した際、共通部分である A ∩ B は、集合Aの側で1回カウントされ、集合Bの側でも1回カウントされています。つまり、分母の中で共通部分は合計 2回 分含まれています。
もし集合Aと集合Bが完全に同一である場合、全体の面積はすべて共通部分となるため、分母の合計値は共通部分の大きさのちょうど 2倍 になります。その際、分子も共通部分を 2倍 しておけば、分母と分子が同じ値になり、係数が正しく 1(完全一致)になります。
公式の覚え方
公式を記憶する際は、次の関係性として整理する方法が有効です。
- 分母:2つの集団のサイズをそのまま足す(|A| + |B|)
- 分子:重なっている部分を2倍する(2 × 重なり)
「足したもので、重なりの2倍を割る」という構造を把握しておくと、分母と分子の数値の取り違えを防ぐことができます。
機械学習の分類問題における評価指標である F1スコア(適合率と再現率の調和平均)を学んだことがある場合、Dice係数は数理的にF1スコアと同一の式構造を持っている点と関連付けることも有用です。

Dice係数の特徴
2つの集合の重複度を測る指標としてDice係数を採用する際には、いくつかの特徴が存在します。
特徴となる利点
- 不均衡なデータに対する安定性画像内の背景が非常に広く、対象となる物体が極端に小さい場合でも、背景の広大さに数値が左右されず、対象物同士の重なり具合のみを評価できます。
- 直感的な尺度計算結果が常に 0 以上 1 以下の範囲に収まるため、アルゴリズムの性能比較を共通の尺度で行うことができます。
留意すべき点
- 類似指標であるIoU(Jaccard係数)との数値の違い領域の重なりを測る別の指標としてIoU(Intersection over Union)が存在します。Dice係数はIoUよりも数値が高めに出る性質があるため、他者と精度を議論する際はどちらの定義を用いているか確認する必要があります。
- 領域が極端に小さい場合の感度対象領域が数ピクセル程度と極小である場合、わずかな位置ずれによって共通部分がゼロになり、係数の値が急激に変動します。


まとめ
Dice係数の公式は、2つの対象が重なり合っている程度を客観的に数値化するための計算式です。
- 分母は2つの集合の大きさを足し合わせた値(|A| + |B|)
- 分子は2つの集合が共有する重なり部分を2倍した値(2 |A ∩ B|)
- 完全に重なると 1 になり、全く重ならないと 0 になる
Dice係数の理解を深めるためには、次の順序に沿って学習を進める方法を推奨します。
- 要素が数個程度の具体的な集合(例:A={1, 2, 3}、B={2, 3, 4})を設定し、手計算でDice係数を求める。
- 重なりを評価するもう1つの主要指標である「IoU(Jaccard係数)」の公式を確認し、Dice係数との計算式の差異を比較する。
- 二値分類の評価指標である「F1スコア」の式を調べ、混同行列の記号(TP, FP, FN)を用いてDice係数と同じ式に変形できる過程を追う。
- 医療画像セグメンテーションなどの具体的なタスクにおいて、Dice係数が損失関数(Dice Loss)としてどのように機械学習モデルへ組み込まれているかを学ぶ。
投稿者プロフィール






