医学图像分割中常用的度量指标

本文介绍了医学图像分割中常用的评估指标,包括DICE、VOE、RVD、ASD及MSD等,并详细解释了这些指标的计算方法及其在评估分割效果时的应用。

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

接下来给大家介绍一下医学图像中常用的几个度量指标,主要参考MICCAI2007
- 首先定义以下标识符: Vgt V g t 代表的是ground truth的分割结果, Vpred V p r e d 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.

DICE=2(Vseg and Vgt)Vseg+Vgt D I C E = 2 ∗ ( V s e g   a n d   V g t ) V s e g + V g t

- VOE: volumetric overlap error. 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
VOE=2(Vseg  Vgt)Vseg+Vgt V O E = 2 ∗ ( V s e g   −   V g t ) V s e g + V g t

- RVD: relative volume difference. 这个代表的是 Vpred V p r e d Vgt V g t 体积之间的差异,它的定义如下所示:
RVD=(VsegVgt1)100% R V D = ( V s e g V g t − 1 ) ∗ 100 %

- ASD: average symmetric surface distance. 这个的定义相比前几个略为复杂一些. 我们先定义 Apred A p r e d 代表的是预测的 Vpred V p r e d 中的边界的像素,同样的我们可以得到 Agt A g t 的定义.然后我们对 Bpred B p r e d 的定义如下.同理我们可以得到 Bgt B g t 的定义.那么ASD的定义也就如下所示.
Bpred={p1Apred,cloest_distance(p1,p2)|p2Agt}ASD=mean({Bpred,Bgt}) B p r e d = { ∀ p 1 ∈ A p r e d , c l o e s t _ d i s t a n c e ( p 1 , p 2 ) | ∃ p 2 ∈ A g t } A S D = m e a n ( { B p r e d , B g t } )

- MSD: maximum symmetric surface distance. 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.

### 医学图像分割常用评价指标 医学图像分割领域中,为了衡量模型预测结果的质量以及与真实标注之间的相似程度,通常会采用一系列定量评估指标。以下是几个常见的评估指标及其定义: #### 1. **Dice 系数** Dice 系数是一种用于测量两个样本集合之间相似性的统计工具,在医学图像分割中被广泛应用于比较预测区域实际目标区域的重叠情况。其计算公式为: \[ \text{Dice} = \frac{2|A \cap B|}{|A| + |B|} \] 其中 \( A \) \( B \) 分别表示真实的标签集预测的标签集[^2]。 #### 2. **交并比 (Intersection over Union, IOU)** IOU 是另一个重要的重叠度量标准,常用于计算机视觉任务中。它通过计算预测区域与真实区域的交集占两者并集的比例来反映两者的匹配程度。其公式为: \[ \text{IOU} = \frac{|A \cap B|}{|A \cup B|} \] 该指标能够直观地反映出预测区域与真实区域的一致性水平[^1]。 #### 3. **精度 (Precision / Positive Predictive Value, PPV)** 精度用来描述模型所预测为正类别的样本中有多少比例实际上是正类别。它的表达式为: \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 这里 TP 表示真正例数量,FP 则代表假正例的数量。 #### 4. **召回率 (Recall / Sensitivity)** 召回率反映了所有实际为正类别的样本中有多少被成功检测出来。具体来说, \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 其中 FN 指的是假负例数目。 #### 5. **特异性 (Specificity)** 特异性关注于所有实际上属于负类别的样本里有多少未被错误地标记成正类别的情况。其定义如下: \[ \text{Specificity} = \frac{\text{TN}}{\text{TN} + \text{FP}} \] 这里的 TN 即真负例计数值。 以上这些性能评测参数各有侧重方向,研究者可以根据具体的实验需求选取合适的组合来进行综合考量。 ```python def calculate_metrics(tp, tn, fp, fn): precision = tp / (tp + fp) if (tp + fp) != 0 else 0 recall = tp / (tp + fn) if (tp + fn) != 0 else 0 specificity = tn / (tn + fp) if (tn + fp) != 0 else 0 dice_coefficient = 2 * tp / ((2 * tp) + fp + fn) if ((2 * tp) + fp + fn) != 0 else 0 iou = tp / (tp + fp + fn) if (tp + fp + fn) != 0 else 0 return { 'precision': precision, 'recall': recall, 'specificity': specificity, 'dice_coefficient': dice_coefficient, 'iou': iou } ```
评论 8
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