分割/配准常见评价指标dice/hd

最新推荐文章于 2025-03-24 14:30:25 发布
最新推荐文章于 2025-03-24 14:30:25 发布
阅读量5.2k 收藏 13
点赞数 1
文章标签： 医学图像 分割评价指标 配准评价指标
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_39056596/article/details/100159875
版权 
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import os
from medpy import metric #安装medpy包
gty=cv2.imread("C:/Users/lenovo/Desktop/data_image/1/"+file,2)# 读取label文件
gtx=cv2.imread("C:/Users/lenovo/Desktop/data_image/1/"+file.split("g")[0]+"gtx.tif",2)# 读取label文件
Hausdorff1=metric.hd(gty,gtx,voxelspacing= 0.3515625) #voxelspacing表示图像的物理距离，一般医学图像里面会有这个
dice1=metric.dc(gty,gtx)
#其他的评价指标metric里面有详细介绍 直接调用即可
print(Hausdorff1)
print(dice1)
MICCAI‘24 | TLRN：用于大变形图像配准的时间潜在残差网络
小白学视觉
02-07 168
本文提出了一种新颖的方法，称为时间潜在残差网络（TLRN），用于预测时间序列图像配准中的一系列变形场。配准时间序列图像的挑战通常在于大运动的发生，尤其是当图像与参考图像（例如，与心脏周期的起始相比，与拉伸峰值阶段相比）显著不同时。为了实现准确和稳健的配准结果，作者利用运动连续性的特性，并利用连续图像帧中的时间平滑性。所提出的TLRN强调在潜在变形空间中精心设计的具有残差块的时间残差网络，这些残差块由时间序列初始速度场参数化。
MICCAI‘24 | DINO-Reg：无需训练的多模态可变形医学图像配准的通用图像编码器
小白学视觉
01-07 166
现有的医学图像配准算法依赖于特定数据集的训练或基于局部纹理的特征来对齐图像。前者没有大量模态特定的训练数据集就无法可靠实施，而后者缺乏全局语义，因此容易陷入局部最小值。在本文中，我们提出了一种无需训练的可变形图像配准方法，DINO-Reg，利用通用图像编码器进行图像特征提取。DINOv2编码器是使用包含自然图像的ImageNet数据训练的，但编码器捕获语义信息的能力是可泛化到未见过的领域的。我们提出了一种基于DINOv2编码器的训练无关的深度学习基础的可变形医学图像配准框架。
dice_test
mvpboy123的博客
08-06 172
import glob import os import cv2 import numpy as np def dice(pre_img,mask_img): # smooth = 1e-5 s = [] s1 = cv2.imread(pre_img,0) pre_img = cv2.resize(s1, (256, 256)) pre_img[pre_img <125]=0 pre_img[pre_img > 125] = 1 s1
基于深度学习的医学图像配准学习笔记1
weixin_43714152的博客
10-06 2017
基于深度学习的医学图像配准学习笔记简介配准分类监督学习非监督学习相关问题 简介 在对同一物体进行医学成像时，由于设备差异、成像角度差异等因素，所以图像可能只能反应物体某个方面的特征。比如，MRI 对软组织成像效果较好，而 CT 对骨骼等成像效果较好。如果想结合两张不同的医学图像的信息进行诊断，就需要丰富的经验。也可以让其中一张图片做变换，使其与另一张图像对齐，然后在得到一张融合了两张图像特征的融合图像。图像对齐的过程就是配准，在配准中保持不变的图像被称为参考图像（fixed image/reference
机器学习性能评估指数之Dice系数​
浩瀚之水的专栏
03-24 2940
Dice系数​（Dice Coefficient），也称为Dice相似系数​（Dice Similarity Coefficient, DSC），是衡量两个集合相似度的指标，广泛应用于图像分割任务​（尤其是医学影像）中评估预测结果与真实标签的重叠程度。
图像分割评价指标
weixin_41284198的博客
04-23 3970
蓝色部分表示真实脑肿瘤区域(GroundTruth), 蓝色的其它部分为正常脑区域. 红色部分表示预测的脑肿瘤区域, 红色的其它部分为预测的正常脑区域. TP：True Positive,被判定为正样本，事实上也是正样本 ，即蓝色与红色的交集: ； TN：True Negative,被判定为负样本，事实上也是负样本，即红色与蓝色以外区域； FN：False Negative,被判定为负...
【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码
Tina姐的博客
06-08 1万+
图像分割的评价指标非常多，论文中常用的包括像素准确率(Pixel Accuracy, PA)、交并比(Intersection-Over-Union，IOU)、Dice系数(Dice Coeffcient), 豪斯多夫距离（ Hausdorff distance，HD95），体积相关误差（relative volume error, RVE）。 文末还为懒癌星人提供一站式服务，只需修改地址，就可以实现所有指标，并且将结果存为Excel。 接下来，一一为大家解答。内容超多，建议收藏，需要用到时再来学习。 文.
医学图像配准概览和深度学习图像配准前沿热点论文VoxelMorph
爱CV
10-26 7499
【摘要】 图像配准是计算机视觉中的经典难题之一，在医学领域有重要的作用。本文简要介绍了其传统方法和前沿深度学习方法VoxelMorph。 排版说明（上图下文，而不是上文下图） 在医学影像处理领域，使用地比较多的图像配准是多模态图像配准和时间序列配准（也被称单模态多时相配准）。 医学图像配准在很多医学场景中都具有重要的用途，很多用途都是人眼很难精确办到的事情，是对辅助诊断等热门医疗AI的有效补充。 1.为了提升医疗AI辅助诊断的分类准确率，可以使用传统图像配准方法（比如基于SIFT算子的特征点
基于深度学习的医学图像配准笔记
zuzhiang的博客
03-17 3320
本文是基于深度学习的医学图像配准相关知识的笔记，不设计到传统的方法，也不涉及具体模型。 一、简介 在对同一物体进行医学成像时，由于设备差异、成像角度差异等因素，所以图像可能只能反应物体某个方面的特征。比如，MRI 对软组织成像效果较好，而 CT 对骨骼等成像效果较好。如果想结合两张不同的医学图像的信息进行诊断，就需要丰富的经验。也可以让其中一张图片做变换，使其与另一张图像对齐，然后在得到一张融合...
【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码_分割指标hd95 aorta
2401_84182020的博客
04-27 961
“”" pa = ((s == g).sum()) / g.size return pa g = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0]) s = np.array([0, 1, 0, 1, 1, 0, 0, 0, 0]) pa = binary_pa(s, g) IOU evaluation def binary_iou(s, g): assert (len(s.shape) == len(g.shape)) # 两者相乘值为1的部分为交集 intersecion = n
Mamba 架构在医学图像分析中的全面综述：分类、分割、重建及其他应用
m0_74823705的博客
12-03 1339
是一种状态空间模型（State Space Model, SSM）的特例，作为医学图像分析中模板驱动深度学习方法的替代方案，正日益受到关注。尽管 transformer 是强大的架构，但它也存在一些缺陷，例如计算复杂度为平方级且难以高效处理长距离依赖。。相比之下，Mamba 具有显著优势，使其非常适合医学图像分析。Mamba 具有线性时间复杂度，这比 transformer 大大改进了性能。在序列建模任务中，其计算复杂度随着输入序列长度线性增长。
medpy：Python中的医学图像处理
01-31
| | | | medpy-Python中的医学图像处理 MedPy是图像处理库和针对医学（即高维）图像处理的脚本集合。 稳定的发行 下载（稳定版本）： : HTML文档和安装说明（稳定版本）： : 从下载： : （感谢 ，请参阅 ） 开发版 下载（开发版本）： : HTML文档和安装说明（开发版本）：按照包含的自述文件中的说明从doc /文件夹中创建此文档 Python 2版本 不再支持Python 2。 但是您仍然可以使用<=0.3.0的旧版本。 其他连结 问题追踪器： :
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
大臣不想在月亮上上热搜
10-15 1588
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
Python测指标模板
weixin_38907184的博客
09-15 1378
import cv2 import glob import os import numpy as np from medpy import metric def calculate_metric_percase(pred, gt): # dice = metric.binary.dc(pred, gt) # jc = metric.binary.jc(pred, gt) hd = metric.binary.hd95(pred, gt) asd = metric.bina.
DSC和HD医学图像分割评价指标
qq_37652891的博客
03-14 1万+
DSC和HD医学图像分割评价指标 1. Dice相似系数(DSC) DSC(Dice Similarity Cofficient) 用于度量两个集合的相似度，取值范围为[0,1],值越大，表示两个集合越相似。常用在計算闭合区域的相似性。 计算可调用medpy包 dice = medpy.metric.binary.dc(pred, gt) *注意：Dice Loss= 1-Dice系数 2. Hausdorff_95 (95% HD) 豪斯多夫距离，计算两个集合之间的距离，值越小，代表两个集合的相似度越高
视杯和视盘分割及分类方法对青光眼诊断的探讨
热门推荐
lip_frog的博客
07-09 2万+
Survey on segmentation and classification approaches of optic cup and optic disc for diagnosis of glaucoma
medpy AttributeError: module ‘numpy‘ has no attribute ‘bool‘.
HeavenWalker
07-19 952
使用medpy计算HD距离时， 报错AttributeError: module 'numpy' has no attribute 'bool'.
语义分割评价指标的计算
qq_44431081的博客
09-21 290
跑GitHub的源码时，由于作者只给出训练的代码和测试的代码，没有例如miou、acc、recall等常见的评价指标，经过两天的研究，可以用medpy库中的已经编译好的评价函数直接计算上述指标，test.py 一般都有。添加sensitivity计算召回率等，其余所需可以自行查找medpy库。1.找到test.py，在metric——list下面打印整个函数。在做语义分割的任务中，图像的评价指标计算。2.在metric中添加所需要的指标计算。run test即可打印所需要函数。
配准分割常见的评价指标
最新发布
06-05
### 配准和分割的常见评价指标 在IT领域中，图像配准和分割是计算机视觉与医学图像处理中的重要任务。为了评估这些任务的效果，通常使用一系列定量指标来衡量模型的性能。以下是常见的评价指标及其定义： #### 1. Dice系数 Dice系数是一种用于衡量两个样本集合相似性的统计工具，广泛应用于图像分割任务中。其计算公式如下： ```python def dice_coefficient(segmentation, ground_truth): intersection = np.sum(segmentation * ground_truth) return (2.0 * intersection) / (np.sum(segmentation) + np.sum(ground_truth)) ``` Dice系数的取值范围为 [0, 1]，值越接近1表示分割结果与真实标签越接近[^1]。 #### 2. Jaccard指数 Jaccard指数也被称为IoU（Intersection over Union），用于衡量两个集合的重叠程度。其计算公式如下： ```python def jaccard_index(segmentation, ground_truth): intersection = np.sum(segmentation * ground_truth) union = np.sum(segmentation) + np.sum(ground_truth) - intersection return intersection / union ``` Jaccard指数的取值范围同样为 [0, 1]，值越大表示分割效果越好[^1]。 #### 3. Hausdorff距离 Hausdorff距离用于衡量两个点集之间的最大距离，特别适合于评估边界匹配的精确度。其计算公式如下： ```python def hausdorff_distance(segmentation, ground_truth): from scipy.spatial.distance import directed_hausdorff return max(directed_hausdorff(segmentation, ground_truth)[0], directed_hausdorff(ground_truth, segmentation)[0]) ``` Hausdorff距离的值越小，表示分割结果与真实标签的边界越接近[^4]。 #### 4. 平均表面距离（ASD） 平均表面距离用于衡量分割结果与真实标签之间的平均距离，能够反映整体的边界偏差情况。其计算公式如下： ```python def average_surface_distance(segmentation, ground_truth): from scipy.spatial.distance import cdist seg_surface_points = get_surface_points(segmentation) gt_surface_points = get_surface_points(ground_truth) distances = cdist(seg_surface_points, gt_surface_points) return np.mean(np.min(distances, axis=1)) ``` 平均表面距离的值越小，表示分割结果越接近真实标签[^4]。 #### 5. 归一化互信息（NMI） 归一化互信息是一种用于衡量两个图像之间相似性的指标，常用于图像配准任务。其计算公式如下： ```python def normalized_mutual_information(image1, image2): hist_2d, _, _ = np.histogram2d(image1.ravel(), image2.ravel(), bins=100) pxy = hist_2d / np.sum(hist_2d) px = np.sum(pxy, axis=1) py = np.sum(pxy, axis=0) px_py = px[:, None] * py[None, :] nmi = mutual_info_score(None, None, contingency=hist_2d) return nmi ``` NMI的值越接近1，表示两幅图像的相似性越高[^2]。 #### 6. 结构相似性指数（SSIM） 结构相似性指数是一种用于衡量两幅图像之间结构相似性的指标，适用于图像配准和质量评估任务。其计算公式如下： ```python def structural_similarity(image1, image2): from skimage.metrics import structural_similarity as ssim return ssim(image1, image2, data_range=image2.max() - image2.min()) ``` SSIM的值越接近1，表示两幅图像的结构相似性越高[^3]。 ###
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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