医学图像评价指标

本文介绍了医学图像评价中的关键指标,包括特异性(specificity)、灵敏度(sensitivity)以及相关计算公式。通过糖尿病筛查示例阐述了敏感度和特异度的含义,并探讨了在实际应用中寻找敏感度与特异度平衡的重要性。同时,还提及了分割问题中的DICE、VOE等评估标准。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

在论文阅读的过程中,经常遇到使用特异性(specificity)和灵敏度(sensitivity)这两个指标来描述分类器的性能。对这两个指标表示的含有一些模糊,这里查阅了相关资料后记录一下。

分类问题

考虑一个二分类的情况,类别为1和0,我们将1和0分别作为正类(positive)和负类(negative),则实际分类的结果有4种,表格如下:

image.png
从这个表格中可以引出一些其它的评价指标:
- ACC:classification accuracy,描述分类器的分类准确率
计算公式为:ACC=(TP+TN)/(TP+FP+FN+TN)
- BER:balanced error rate
计算公式为:BER=1/2*(FPR+FN/(FN+TP))
- TPR:true positive rate,描述识别出的所有正例占所有正例的比例,敏感度(sensitivity)、查全率(Recall)
计算公式为:TPR=TP/ (TP+ FN)
- FPR:false positive rate,描述将负例识别为正例的情况占所有负例的比例
计算公式为:FPR= FP / (FP + TN)
- TNR:true negative rate,描述识别出的负例占所有负例的比例,特异度(specificity)
计算公式为:TNR= TN / (FP + TN)
- PPV

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值