(分割网络评价指标)dice系数和IOU之间的区别和联系

dice系数(dice similarity coefficient)和IOU(intersection over union)都是分割网络中最常用的评价指标。传统的分割任务中,IOU是一个很重要的评价指标,而目前在三维医学图像分割领域,大部分的paper和项目都采用dice系数这个指标来评价模型优劣。那么二者有什么区别和联系呢?
首先,dice和IOU都是衡量两个集合之间相似性的度量,在图像分割领域用来衡量网络分割结果与金标准mask之间的相似性。分别看一下二者的计算公式:

在这里插入图片描述
在这里插入图片描述
IOU指标可以使用几何办法给出直观的解释:
在这里插入图片描述
即:

(分割网络评价指标)dice系数和IOU之间的区别和联系_第1张图片
在上半部分中,左上方的正方体是金标准,右下方的正方体是网络分割结果,中间蓝色的小正方体就是金标准和网络分割结果的重合部分,也就是TP(True Positive)。在下半部分中,蓝色区域代表金标准和网络分割结果的和再减去TP。
下面我们把上半部分的图像,即 Area of Overlap区域重新定义一下:
(分割网络评价指标)dice系数和IOU之间的区别和联系_第2张图片
图中,蓝色部分为TP(True Positive),红色部分为FN(false negative),黄色部分为FP(false Positive)。根据这样的划分,重新给出IOU公式:
在这里插入图片描述
依据TP、TN、FP、FN的概念,重写dice系数的计算公式:
在这里插入图片描述
综合上面两个公式,经过变形,得到:
在这里插入图片描述
当dice是0.961951时,对应的IOU是0.926691。我们把dice看作自变量,IOU看作因变量,上式即为一个函数公式。以dice为x轴,IOU为y轴,画出函数图像:
(分割网络评价指标)dice系数和IOU之间的区别和联系_第3张图片
可以看出:使用dice系数可以得到一个更高的指标分数。

参考网址:https://www.cnblogs.com/jins-note/p/11674770.html

你可能感兴趣的:(神经网络)