医学图像处理（一）——分割中常用的度量指标

下列参数主要参考自MICCAI2007 
- 首先定义以下标识符:Vgt代表的是ground truth的分割结果,Vpred代表的是预测的分割结果. 
- DICE: 这个相信大家最熟悉,因为使用的频率应该是最多的.它的定义如下所示. 直观上来说代表的是两个体相交的面积占总面积的比值.完美分割该值为1. 【1】 
                                                                  

GT（ground truth）图像:我理解的就是含有理论分割结果的图像，用来和结果图像进行比较的参照图像。那么GT图像怎么来，一般通过专家手工勾画出来，得到理论值。当然为避免偶然性，你可以选择多个专家，得到多个GT分割结果，取各项评估参数的平均值。【2】

分割精度：个人理解就是分割准确的面积占GT图像中真实面积的百分比。找了半天找了这么个公式（如下）。

                                                             

不难理解，其中Rs表示专家手工勾画出的分割图像的参考面积，Ts表示算法分割得到的图像的真实面积，|Rs-Ts|表示错误分割的像素点个数。

过分割率：即分割在GT图像参考面积之外的像素点的比率，计算公式如下：

                                                                        

含义同上，Os表示本不应该包含在分割结果中的像素点个数，实际却在分割结果中的像素点个数。换句话讲，Os中的像素点出现在实际分割图像中，但不出现在理论分割图像Rs中。

欠分割率：即分割在GT图像参考面积之中欠缺的像素点的比率，计算的公式如下：

                                                                         

含义同上，Us表示本应该包含在分割结果中的像素点个数，实际却不在分割结果中的像素点个数。换句话讲，Us中的像素点出现在理论分割图像中，但不出现在实际分割图像中。

代码（由于当时时间紧张，很多可以封装成函数）：

获得肝血管GT图像：

import pydicom
from pylab import *
import os
import PIL.Image as image
from Anisotropicdiffusion import *
 
PathDicom = "./PATIENT_DICOM20/"  # 与python文件同一个目录下的文件夹
lstFilesDCM1 = []
number1 = 0
for dirName, subdirList, fileList1 in os.walk(PathDicom):
    for filename in fileList1:
        lstFilesDCM1.append(os.path.join(dirName, filename))
        number1 += 1
 
RefDs = pydicom.read_file(lstFilesDCM1[0])
ConstPixelSpacing = (float(RefDs.PixelSpacing[0]), float(RefDs.PixelSpacing[1]), float(RefDs.SliceThickness))
print(ConstPixelSpacing)
 
PathDicom = "./liver20/"  # 与python文件同一个目录下的文件夹
lstFilesDCM2 = []
number2 = 0
for dirName, subdirList, fileList2 in os.walk(PathDicom):
    for filename in fileList2:
        lstFilesDCM2.append(os.path.join(dirName, filename))
        number2 += 1
 
PathDicom = "./artery20/"  # 与python文件同一个目录下的文件夹
lstFilesDCM3 = []
number3 = 0
for dirName, subdirList, fileList3 in os.walk(PathDicom):
    for filename in fileList3:
        lstFilesDCM3.append(os.path.join(dirName, filename))
        number3 += 1
 
PathDicom = "./portalvein20/"  # 与python文件同一个目录下的文件夹
lstFilesDCM4 = []
number4 = 0
for dirName, subdirList, fileList4 in os.walk(PathDicom):
    for filename in fileList4:
        lstFilesDCM4.append(os.path.join(dirName, filename))
        number4 += 1
 
PathDicom = "./venacava20/"  # 与python文件同一个目录下的文件夹
lstFilesDCM5 = []
number5 = 0
for dirName, subdirList, fileList5 in os.walk(PathDicom):
    for filename in fileList5:
        lstFilesDCM5.append(os.path.join(dirName, filename))
        number5 += 1
 
if number1 != number2:
    print("fileerro")
 
for i in range(number1):
    dcm1 = pydicom.read_file(lstFilesDCM1[i])
    dcm1.image = dcm1.pixel_array * dcm1.RescaleSlope + dcm1.RescaleIntercept
    slices = []
    slices.append(dcm1)
    img1 = slices[int(len(slices) / 2)].image.copy()
 
    dcm2 = pydicom.read_file(lstFilesDCM2[i])
    dcm2.image = dcm2.pixel_array * dcm2.RescaleSlope + dcm2.RescaleIntercept
    slices = []
    slices.append(dcm2)
    img2 = slices[int(len(slices) / 2)].image.copy()
 
    dcm3 = pydicom.read_file(lstFilesDCM3[i])
    dcm3.image = dcm3.pixel_array * dcm3.RescaleSlope + dcm3.RescaleIntercept
    slices = []
    slices.append(dcm3)
    img3 = slices[int(len(slices) / 2)].image.copy()
 
    dcm4 = pydicom.read_file(lstFilesDCM4[i])
    dcm4.image = dcm4.pixel_array * dcm4.RescaleSlope + dcm4.RescaleIntercept
    slices = []
    slices.append(dcm4)
    img4 = slices[int(len(slices) / 2)].image.copy()
 
    dcm5 = pydicom.read_file(lstFilesDCM5[i])
    dcm5.image = dcm5.pixel_array * dcm5.RescaleSlope + dcm5.RescaleIntercept
    slices = []
    slices.append(dcm5)
    img5 = slices[int(len(slices) / 2)].image.copy()
 
    img = np.zeros((512, 512))
    img30 = np.zeros((512, 512))
    img40 = np.zeros((512, 512))
    img50 = np.zeros((512, 512))
    height, width = img2.shape
    for k in range(height):
        for j in range(width):
            if img2[k, j] != 0:
                img2[k, j] = 1
            if img3[k, j] != 0:
                img3[k, j] = 1
            if img4[k, j] != 0:
                img4[k, j] = 1
            if img5[k, j] != 0:
                img5[k, j] = 1
            img1[k, j] *= img2[k, j]
            img30[k, j] = img1[k, j]*img3[k, j]
            img40[k, j] = img1[k, j]*img4[k, j]
            img50[k, j] = img1[k, j]*img5[k, j]
            img[k, j] = img30[k, j]+img40[k, j]+img50[k, j]
 
    img = np.uint8(img)
    img6 = image.fromarray(img)
    filename = "D:/Pychram/liverpicture/mask_" + fileList1[i] + ".png"
    img6.save(filename)
    print(i)

计算分割精度：

import os
import PIL.Image as Image
from Anisotropicdiffusion import *
 
PathDicom = "C:\\Users\\LCSH\\Desktop\\Pychram\\liverpicture"  # 与python文件同一个目录下的文件夹
lstFilesDCM1 = []
number1 = 0
for dirName, subdirList, fileList1 in os.walk(PathDicom):
    for filename in fileList1:
        lstFilesDCM1.append(os.path.join(dirName, filename))
        number1 += 1
 
PathDicom = "C:\\Users\\LCSH\\Desktop\\Pychram\\liverpicture1"  # 与python文件同一个目录下的文件夹
lstFilesDCM2 = []
number2 = 0
for dirName, subdirList, fileList2 in os.walk(PathDicom):
    for filename in fileList2:
        lstFilesDCM2.append(os.path.join(dirName, filename))
        number2 += 1
 
p = 0
for i in range(number1):
    img = Image.open(lstFilesDCM1[i])
    img1 = img.load()
    img = Image.open(lstFilesDCM2[i])
    img2 = img.load()
 
    f = h = 0
    height, width = img.size
    for k in range(height):
        for j in range(width):
            if img1[k, j] > 0:
               f += 1
            if img1[k, j] > 0 and img2[k, j] == 0:
               h += 1
    g = h/f
    p += g
    print(i)
L = p / number1
print(L)

- VOE: volumetric overlap error（体积重叠误差）. 这个和DICE比较类似,它的定义如下所示, 相比于DICE它将and操作换成了减法操作以此来代表错误率 
                                                                       

- RVD: relative volume difference（ 相对体积差）. 这个代表的是Vpred和Vgt体积之间的差异,它的定义如下所示: 
                                                                         

- ASD: average symmetric surface distance（平均对称表面距离）. 这个的定义相比前几个略为复杂一些. 我们先定义Apred代表的是预测的Vpred中的边界的像素,同样的我们可以得到Agt的定义.然后我们对Bpred的定义如下.同理我们可以得到Bgt的定义.那么ASD的定义也就如下所示. 
                                                   

- MSD: maximum symmetric surface distance（最大对称表面距离）. 这个定义和ASD定义比较类似,只不过把计算平均的操作替换成了计算最大值的操作.

 

转自：

【1】医学图像分割中常用的度量指标

【2】图像分割结果的评估---DICE参数