图像分割——Dice系数

图像分割——Dice系数

在预测脑肿瘤或者皮肤病变的mask模型中，我们一般将mask图像中的像素分类成1或0，即如果像素中有mask，我们声明为1，如果像素中没有mask，我们声明为0，这种对图像进行逐像素二进制分类称为“语义分割”。
如果我们试图去识别图像中的许多对象，则称为“实例分割”，实例分割是一种多分类分割。例如，在自动驾驶汽车视野中，物体被分类为汽车、道路、树木、房屋、天空、行人等。
在语义（二进制）分割和实例（多类）分割中，我们需要一个损失函数来计算梯度。

Dice定义

Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值为[0,1]。

在上图中，ground truth为金标准，即理论分割结果的图像，一般是通过专家手工勾画出来得到的理论值； predicted为预测的分割结果图像。

Dice系数的python实现

下列给出求一套数据的dice和批量求dice的python代码

import shutil
import SimpleITK as sitk
from medpy.metric import dc
import numpy as np
from scipy.ndimage import label

def calculate_dice(seg_path,pred_path):
    seg = sitk.ReadImage(seg_path)
    seg_arr = sitk.GetArrayFromImage(seg)
    pred = sitk.ReadImage(pred_path)
    pred_arr = sitk.GetArrayFromImage(pred)
    label = [1]   #这里求得是label=1的dice，需要根据实际情况修改
    dice = []
    for i in range(len(label)):
        intersection = np.sum((seg_arr == label[i])*(pred_arr == label[i]))
        union = np.sum(pred_arr == label[i])+np.sum(seg_arr == label[i])
        dice.append(2*intersection/union)
    return np.mean(dice)

#求一套数据的dice
seg_path = 'E:/segmentation.nii.gz'   #ground truth的路径
pred_path = 'C:/case30.nii.gz'   #预测图像的路径
print(calculate_dice(seg_path,pred_path))

#批量求dice，先把路径保存为txt格式，再一个一个读取
seg_path = 'E:/label_list.txt'  #保存ground truth的文本路径
pred_path = 'E:/pred_list_c++.txt'  #保存预测图像的文本路径
dice = []
seg_opens = open(seg_path)
pred_opens = open(pred_path)
seg_files = seg_opens.readlines()
pred_files = pred_opens.readlines()
for i in range(len(seg_files)):
    seg_files[i] = seg_files[i].strip('\n')
    pred_files[i] = pred_files[i].strip('\n')
    dice.append(calculate_dice(seg_files[i],pred_files[i]))
    print(calculate_dice(seg_files[i], pred_files[i]))
print(np.mean(dice))