医学图像分割常用的评价指标

  • 1、Dice(Dice similarity coefficient)
  • 2、IoU(Intersection over Union)
  • 3、VOE(Volumetric Overlap Error)
  • 4、RVD(Relative Volume Difference)
  • 5、 MSD(Maximum Symmetric Surface Distance)

    在医学图像分割的论文中,常常看到Dice、VOE、RVD、MSD等指标,但是具体这些指标是什么意思呢,我们进行相应的简单说明。

Vseg\text V_{s e g}Vseg​:代表预测的分割结果
Vgt\text V_{g t}Vgt​:代表ground truth的分割结果

1、Dice(Dice similarity coefficient)

    Dice 系数是一种评估相似度的函数,通常用于计算两个样本的相似度或者重叠度,在三维医疗图像分割应用也比较多,具体如下:
Dice =2Vseg∩VgtVseg+Vgt\text { Dice }=2 \frac{V_{s e g} \cap V_{g t}}{V_{s e g}+V_{g t}}  Dice =2Vseg​+Vgt​Vseg​∩Vgt​​

2、IoU(Intersection over Union)

    IoU是应用非常多的度量指标,当然除了分割任务,在目标检测中应用也是非常多的。具体如下:
IoU=Vseg ∩VgtVseg ∪Vgt =Vseg ∩VgtVseg +Vgt−(Vseg ∩Vgt)IoU=\frac{V_{\text {seg }} \cap V_{g t}}{V_{\text {seg }} \cup V_{\text {gt }}}=\frac{V_{\text {seg }} \cap V_{g t}}{V_{\text {seg }}+V_{g t}-\left(V_{\text {seg }} \cap V_{g t}\right)} IoU=Vseg ​∪Vgt ​Vseg ​∩Vgt​​=Vseg ​+Vgt​−(Vseg ​∩Vgt​)Vseg ​∩Vgt​​
    当然了,在医学图像分割的文章中,这个参数出现的并不多,而且他还会被另一个名称代替,即Jaccard。这两个是完全相同的参数。

3、VOE(Volumetric Overlap Error)

    VOE可以称之为体积重叠误差,代表的是错误率。具体如下所示:
VOE=1−Vseg∩VgtVseg∪VgtV O E=1-\frac{V_{s e g} \cap V_{g t}}{V_{s e g} \cup V_{g t}} VOE=1−Vseg​∪Vgt​Vseg​∩Vgt​​
    大家可以仔细观察VOEIoU的计算公式。在大多数医学分割的论文中,其实很多都用VOE代替IoU了。这两个参数本质上都是一样的,只计算一个就可以了,但是医学领域对错误率更加敏感。

4、RVD(Relative Volume Difference)

    RVD表示两者体积之间的差异,数学定义如下:
RVD=(VsegVgt−1)∗100%R V D=\left(\frac{V_{s e g}}{V_{g t}}-1\right) * 100 \% RVD=(Vgt​Vseg​​−1)∗100%

5、 MSD(Maximum Symmetric Surface Distance)

    MSD也称为MSSD,评估的是两样本之间的对称距离,MSD的值越低则代表两个样本之间的匹配度越高。
MSD=(max⁡i∈seg(min⁡j∈gt(d(i,j))),max⁡j∈gt(min⁡i∈seg(d(i,j))))MSD=\left(\max _{i \in s e g}\left(\min _{j \in g t}(d(i, j))\right), \max _{j \in g t}\left(\min _{i \in s e g}(d(i, j))\right)\right) MSD=(i∈segmax​(j∈gtmin​(d(i,j))),j∈gtmax​(i∈segmin​(d(i,j))))
    对于这个参数,了解的并不是很多,包括对称位置平均表面距离(average symmetric surface distance,ASSD)等,感觉主要是用在三维图像分割中。本人做二维图像分割较多,主要使用Dice、VOE、RVD

医学图像分割常用的评价指标相关推荐

  1. 医学图像分割常用指标及代码(pytorch)

    现在,医学图像分割有很多现成的工具包可以快速测量一些指标,比如python中的medpy库.但是,我们还是要学习一下滴!该文章列出了一些常用的指标,并解释了它的原理. 目录 一.医学图像分割常用指标及 ...

  2. 医学图像分割综述:U-Net系列

    文章目录 Medical Image Segmentation Review:The Success of U-Net 摘要 引言 分类法 2D Unet 3D U-Net U-Ne的临床意义和疗效 ...

  3. 医学图像分割之 Dice Loss

    医学图像分割之 Dice Loss 在很多关于医学图像分割的竞赛.论文和项目中,发现 Dice 系数(Dice coefficient) 损失函数出现的频率较多,自己也存在关于分割中 Dice Los ...

  4. 常用的医学图像分割评价指标

    常用的图像分割评价指标非常多,论文中常用的指标包括像素准确率,交并比(IOU),Dice系数,豪斯多夫距离,体积相关误差. 下面提到的所有案例都是二分类,标签中只有0和1 目录 一:像素准确率 二:交 ...

  5. DSC和HD医学图像分割评价指标

    *************************************************** 码字不易,收藏之余,别忘了给我点个赞吧! *************************** ...

  6. 医学图像分割中常用的度量指标

    从医学的角度来讲,大家关注的性能指标应该是两个:特异性和敏感性,敏感度其实指的是一种查全率,是不是把所有的结节都找到了.特异性是指假阳性的比例.在某种意义上,这是两个矛盾的指标,如果把一个指标调到最大 ...

  7. 医学图像分割评价指标

    医学图像分割评价指标 图片可能上传不了,需要源文件评论 1. Dice 首先了解混淆矩阵 真实值是positive,模型认为是positive的数量(True Positive=TP) 真实值是pos ...

  8. 如何量化医学图像分割中的置信度?

    点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:计算机视觉life 导读 利用变分推断进行分割置信度的预 ...

  9. 分享丨对医学图像分割中的置信度进行量化

    转自 AI公园 作者:Abhinav Sagar 编译:ronghuaiyang 导读 利用变分推断进行分割置信度的预测. 在过去的十年里,深度学习在一系列的应用中取得了巨大的成功.然而,为了验证和可 ...

最新文章

  1. 热电偶校验仪使用说明_热电偶冷端补偿方法
  2. TypeError: decoding Unicode is not supported
  3. java关于校园共享单车_关于校园文明骑行共享单车倡议书
  4. 用于Spring应用程序的Gradle原型
  5. vivo S10系列官方渲染图公布 外壳太好看了!
  6. java 时间处理经典案例
  7. 【屏幕保护】GIS相关的屏幕保护【什么是GIS】
  8. android 编译 c 程序,Android上通过gcc编译普通的C程序
  9. 简述redux(1)
  10. C/C++ 创建两个链表,实现两个链表高位到低位相加,并输出链表
  11. Service Work生命周期
  12. 遗传算法在计算机视觉上的应用,遗传算法在视觉感知方面的应用
  13. C++ Boost库:互斥量 mutex
  14. ,智商达到140及以上可以称之为天才
  15. u邮件收件服务器密码是什么,U-Mail邮件服务器加密技术给邮件上安全锁
  16. nodejs addon实现回调函数事件
  17. ubuntu12.04 显卡 散热
  18. 2021远程统考计算机和英语,2021年远程网络教育大学英语B统考题库网考试卷
  19. 手机安装python jam有什么影响_Python入门用Bug修改和.jam文件需要注意的问题
  20. Mac电脑待机长时间离开后自动退出登录和关机的解决方法

热门文章

  1. 【MATLAB教程案例50】通过VisualSFM工具箱提取360度等间隔环绕拍摄得到的图像序列点云数据,并进行目标三维重建matlab仿真
  2. 用NCBI的工具Batch Entrez批量下载序列
  3. 如何将腾讯QLV格式转换成MP4普通视频
  4. 亲戚(relation)
  5. 3ds max捕捉工具教程_3DS Max教程的终极收藏
  6. 玩转基因组浏览器之查看gwas结果
  7. Linux模拟试题及答案(全)
  8. android 发送短信sms
  9. Python入门学习(五)
  10. Progressive Layered Extraction: A Novel Multi-TaskLearning Model for Personalized Recommendations