SE, SP, PC, F1, JS, DC医学图像分割训练的时候全为0？医学图像分割的评价指标

原创

已于 2023-12-14 20:41:11 修改 · 2.5k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #计算机视觉 #人工智能

于 2023-02-26 15:34:42 首次发布

本文讨论了在使用深度学习模型进行图像分割时遇到的评价指标为0的问题。作者详细分析了问题原因，包括数据集非严格二值化、标签处理方式以及代码中的逻辑错误。通过调整代码，特别是修正了比较逻辑，解决了TP、FN等计数始终为0的错误，从而能够正确计算精确率、召回率等指标。

文章目录

出现的问题
解决方法
一、基础知识
二、评价指标
参考

出现的问题

验证是一个深度图像分割模型是一个基本的任务，它评价了模型的好坏，以便于更好改进。
自己模型训练时候评价指标出现的问题，使用别人的代码https://github.com/LeeJunHyun/Image_Segmentation，改成自己的数据集之后错误频出，终于能开始训练，SE, SP, PC, F1, JS, DC这些指标全为0。整了1天。
还有一种可能，可能训练失败，Loss为NAN，然后其他指标也是0。我用的Focal Loss，把初始学习率调小一点。

解决方法

最新发现自己的数据集不是严格的二值，但是像素集中在0和255，为什么用他的evaluation不行，待研究。就是用我修改后的代码是可以的。

import cv2
import numpy as np
import matplotlib.pyplot as plt
path = '../tg3k/thyroid-mask/'
img = cv2.imread(path+'0001.jpg',-1)  
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

在这里插入图片描述

最后发现自己的mask是灰度图，不是二值图像。转变成tensor，进行二值化即可。不必修改原作者的代码。😂

分割线————————————————————————————————————————

刚开始的时候，在考虑是不是模型崩塌了，输出的全是黑的，所以这些值全为0。看着Loss一点一点减少，acc增加，以及准确率明显大于只输出为黑色mask的情况，排除这个可能。
第二个我试了试GT，输出出来它是单通道，但是评价指标里面GT变成bool量，我觉得是二值化，他是用的 GT == torch.max(GT)。我测试一下，在我的数据集上输出来全是0。可能这个模型的标签是二值图像可以这样，我的图片还需要自己二值化。然后我就把它二值化了。

GT =GT/torch.max(GT) > threshold

训练了一次还是全为0？？？？
我看着代码没问题。后来我输出TN，TP，FN，FP，发现他们也是全为0。这就奇怪了。
最后，我发现问题出现在这个代码上。

TP = ((SR==1)+(GT==1))==2

我在jupyter notebook里面跑了一下，发现这个不管SR和GT是什么它跑出来全是False。我才发现就是SR，GT相加也是bool值0-1，不会出现2。就只能用逻辑运算替换了。或者把这个bool量转换成float或者其他类型（我没试过）。我用的逻辑运算替换。

import torch


# SR : Segmentation Result
# GT : Ground Truth

def get_accuracy(SR, GT, threshold=0.5):
    SR = SR > threshold
    GT = GT / torch.max(GT) > threshold
    corr = (SR == GT).sum().item()
    tensor_size = SR.size(0) * SR.size(1)* SR.size(2) * SR.size(3)
    acc = float(corr) / float(tensor_size)

    return acc


def get_sensitivity(SR, GT, threshold=0.5):
    # Sensitivity == Recall
    SR = SR > threshold
    GT = GT / torch.max(GT) > threshold

    # TP : True Positive
    # FN : False Negative
    TP = ((SR == 1) & (GT == 1)).sum().item()
    FN = ((SR == 0) & (GT == 1)).sum().item()
    FP = ((SR == 1) & (GT == 0)).sum().item()
    TN = ((SR == 0) & (GT == 0)).sum().item()
    # TN = ((SR==0)*(GT==0))
    # FP = ((SR==1)*(GT==0))
    SE = float(TP) / (float(TP + FN)+ 1e-6)
    # print('TP:'+str(TP))
    # print('FN:' + str(FN))
    # print('FP:' + str(FP))
    # print('TN:' + str(TN))