11、基于空间逻辑的医学图像分析创新

基于空间逻辑的医学图像分析创新

1. 医学图像分割评估指标

在医学图像分析中，尤其是脑部肿瘤分割，灵敏度（Sensitivity）和特异性（Specificity）是两个重要的评估指标。灵敏度衡量的是正确识别为肿瘤一部分的体素比例（真阳性），特异性则衡量的是正确识别为非肿瘤部分的体素比例（真阴性）。这些相似度系数的结果介于 0（无相似度）和 1（完全相似）之间，常用于综合衡量两种分割结果的相似度。例如，Dice 指数约为 0.9 被认为表示非常好的相似度。

以下是 Pat04 和 Pat05 病例研究中，“真实情况”分割结果与通过空间模型检查获得的结果之间的相似度表格：
| 病例 | 组织类型 | Dice | 灵敏度 | 特异性 |
| — | — | — | — | — |
| Pat04 | 灰质 | 0.90 | 0.91 | 0.98 |
| Pat04 | 白质 | 0.89 | 0.85 | 1.0 |
| Pat05 | 灰质 | 0.89 | 0.88 | 0.99 |
| Pat05 | 白质 | 0.90 | 0.85 | 1.0 |

从这个表格可以初步看出，该规范可能是应用于健康大脑 MRI 图像分割的良好候选方案，就像之前在肿瘤分割中所做的那样。并且，使用 VoxLogicA 获得的初步执行时间结果也很令人鼓舞，在配备 2.7 GHz Intel Core i7 和 16 GB 内存、运行 MacOS Mojave 的 MacBook Pro 上，不到 2 分钟就能完成大脑的完整分割（包括头部、背景、白质、灰质、脑脊液、颅骨和骨髓）。

2. 空间模型检查在医学成像中的挑战