医学图像分割评价指标

医学图像分割评价指标

图片可能上传不了，需要源文件评论

1. Dice

首先了解混淆矩阵

真实值是positive，模型认为是positive的数量（True Positive=TP）

真实值是positive，模型认为是negative的数量（False Negative=FN）

真实值是negative，模型认为是positive的数量（False Positive=FP）

真实值是negative，模型认为是negative的数量（True Negative=TN）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nkhQvU7W-1666008006239)(attachments/UUEDYFIT.png)]

预测性分类模型，肯定是希望越准越好。那么，对应到混淆矩阵中，那肯定是希望TP与TN的数量大，而FP与FN的数量小。所以当我们得到了模型的混淆矩阵后，就需要去看有多少观测值在第二、四象限对应的位置，这里的数值越多越好；反之，在第一、三象限对应位置出现的观测值肯定是越少越好。

混淆矩阵的二级指标

• 准确率（Accuracy）—— 针对整个模型
• 精确率（Precision）
• 灵敏度（Sensitivity）：就是召回率（Recall）
• 特异度（Specificity）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-S4W6mL2e-1666008006241)(attachments/6PIU6ZGH.png)]

通过上面的四个二级指标，可以将混淆矩阵中数量的结果转化为0-1之间的比率。便于进行标准化的衡量。

混淆矩阵实例

当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。当分类的结果多于两种的时候，混淆矩阵同时适用。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TjteNEh2-1666008006242)(attachments/CMFUPCWZ.png)]

Accuracy

在总共66个动物中，我们一共预测对了10 + 15 + 20=45个样本，所以准确率（Accuracy）=45/66 = 68.2%。

以猫为例，我们可以将上面的图合并为二分问题：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c2RdESrS-1666008006244)(attachments/Q7XEZI6V.png)]

精确度、召回率、特异度同样可以算出。

Dice（进入正题）

Dice 系数是一种评估相似度的函数，通常用于计算两个样本的相似度或者重叠度，在三维医疗图像分割应用也比较多。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BHT05aCa-1666008006246)(attachments/BQXT8JYD.png)]

我们把X当作Gt，Y当作Pred，dice系数就可以评价结果了。

    X = FN + TP

    Y = TP + FP

所以，上面公式可以转换为：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mUFDAe6m-1666008006255)(attachments/GTR6P8IZ.png)]

2.MIoU

计算两个集合交集与其并集的重合比例。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4hdqvd42-1666008006257)(attachments/74P58VDS.png)]

3.MAP

计算正确分类的像素与所有像素数量的比值（当背景像素占比过多时，全部预测为背景MAP也会很高，所以感觉并没有什么卵有）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bWR5bFse-1666008006259)(attachments/ZNKNIXPP.png)]

4.VOE

仔细观察VOE和IoU的计算公式。在大多数医学分割的论文中，其实很多都用VOE代替IoU了。这两个参数本质上都是一样的，只计算一个就可以了，但是医学领域对错误率更加敏感。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7oPfGUBl-1666008006262)(attachments/UQ2P2QBF.png)]

5.豪斯多夫距离HD

Hausdorff distance是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A={a1,…,ap},B={b1,…,bq},则这两个点集合之间的Hausdorff distance定义为：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eVmKRTBr-1666008006263)(attachments/XU85TAB8.png)]

具体流程结构

1、取A集合中的一点a0，计算a0到B集合中所有点的距离，保留最短的距离d0

2、遍历A集合中所有点，图中一共两点a0和a1，计算出d0和d1

3、比较所有的距离{ d0, d1 }，选出最长的距离d1

4、这个最长的距离就是h，它是A→B的单向豪斯多夫距离，记为h( A, B）

5、对于A集合中任意一点a，我们可以确定，以点a为圆心，h为半径的圆内部必有B集合中的

6、交换A集合和B集合的角色，计算B→A的单向豪斯多夫距离h( B, A )，选出h( A, B )和h( B, A )中最长的距离，就是A,B集合的双向豪斯多夫距离

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-24yZUMM6-1666008006265)(attachments/932E9E6T.png)]

在实际计算中，我们并不是选取的不是最大距离（上面只是列举了几个点的最小距离），而是将距离从大到小排列后，取排名为5%的距离。这么做的目的是为了排除一些离群点所造成的不合理的距离，保持整体数值的稳定性。所以也叫HD95

**

6.相对体积差RVD**

这个有待考证