医学图像分割常见评价指标(单目标)——包含源码讲解和指标缺陷

单目标分割常见评价指标

2024.2.26更新：如果你的任务中ground-truth图像是无mask的，本指标代码是不完全适用的，请根据具体任务修改代码！！！

1 知道4个常见指标，TP，TN，FP，FN

在这里插入图片描述

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
FP：False Positive，被判定为正样本，但事实上是负样本，即红色中除了蓝色部分
FN：False Negative，被判定为负样本，但事实上是正样本，即蓝色中除了红色部分

2 评价分割区域准确率

2.1 Recall Sensitivity TPR(True Positive Rate)

定义：
在这里插入图片描述
白话：
就是预测的区域中真正是目标区域的面积占据总目标区域的比例，1最好，0最拉；
优点：
可以清晰的得到正确的分割区域占据真区域的面积比例。

缺陷：

在这里插入图片描述

指标高不高？高，分割好不好？不好，这就是缺陷。

2.2 Specificity (True Negative Rate)

定义：
在这里插入图片描述
白话：
是Recall的另外一面，针对单目标分割，Recall和Specificity就是一个转置，也是1最好，0最拉。
优点：
可以从侧面印证自己分割的区域外面积目标区域外的总面积比例
缺陷：

假设灰色100，绿色10，蓝色20，则TNR为0.90多，指标如何，还撮合，实际一塌糊涂

2.3 Precision (PPV，精确率)

定义：
在这里插入图片描述
白话：
实际预测正确的部分占据预测部分总面积的比例，也是1最好，0最拉。
优点：
可以很清晰的知道自己预测正确的部分占据自己预测部分的比例
缺陷：

PPV高不高？很高了，红色占据整个小圈的面积比例很高，但是分割效果好不好？不好。

2.4 Dice Coefficient

定义：

在这里插入图片描述
白话：
就是两个物体相交的面积占总面积的比值，也是1最好，0最拉。
优点：
看着公式大家自己都能说出来，主要是我再想，为什么要用2TP呢？直接上下两个都是TP也是能看出指标的啊！
缺陷：
在这里插入图片描述
缺陷：
这里和Recall的缺陷比较相似，但是引入了FP，会稍微中和掉recall的缺陷，但是也是可以看出这个指标也是可以的，但实际效果分割效果也是不太好的。

2.5 Jaccard Coefficient （IOU）

定义：
在这里插入图片描述

白话：
和Dice很相似，也回答了我之前的疑惑，哈哈，是可以用TP的，就是换一个名字，也可以计算出重叠区域指标的，也是1最好，0最拉。
优点：
参考Dice
缺陷：
参考Dice

以上的所有参考指标都是有所侧重的，因此存在一些固有缺陷，这种缺陷是比较特殊的例子，这是没啥问题的，在评价分割效果的时候可以多用几个，如果几个指标都好，那就证明分割效果确实很好，如果有的指标很好，有的很差，就可以自己动手画一下图，看看是那种特殊情况了。

2.6 新增Accuracy（准确率）

这个是我在写文章时特地查阅的时候才知道这个指标和Precision存在区别
定义：
在这里插入图片描述

白话：
和Precision(精确性)在翻译上存在着一定的相关性，很容易误导人。这个表示的是预测正确的区域（预测正确的目标区域和预测正确的背景区域）占据所有区域的比例。
优点：
Chat-GPT原话：

由于正样本（感兴趣区域或目标物体）通常较小，而负样本（背景）占据较大比例，准确率可能会受到负样本的影响而偏高。因此，Precision更常用于分割任务中，因为它更关注分类结果中的正样本准确性，而Accuracy用于评估整体的准确性。总结的很到位，很不错

3 对分割出的边界进行评价

3.1 Hausdorff_95

定义：
在这里插入图片描述
就是计算两个边界之间的距离，公式中是 max(min(d(x,y))),别看成了mind, 具体计算过程我记得我写过流程图的，为啥没有了，难道是做梦写的？但是能get到点，这个值越大越差，越小越好。丢个连接看一下：https://www.cnblogs.com/icmzn/p/8531719.html

3.2 持续更新中

4 源码

4.1 直接第三方包使用

在这里插入图片描述
安装：

pip install medpy

使用：

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.binary.asd(pred, gt)
    return dice, jc, hd, asd

重点是，这里传入的pred和gt从模型中预测出来后，需要使用pred.cpu().detach().numpy()，将数据转化为cpu上的numpy数据类型，同时在单目标分割中，传入的数据需要做二值化处理，否则出现的数据有问题，具体参看下面手写的代码。

4.2 手写代码

以下代码都是基于predict在传入的时候已经二值化处理了，且target也已经是二值矩阵
以下代码在自己的模型中都是跑过的，是没问题的，重点是如何将其用到自己的模型中
重点在于如何理解指标的实现，帮助理解这些评价指标的计算过程
Recall：

def recall(predict, target): #Sensitivity, Recall, true positive rate都一样
    if torch.is_tensor(predict):   # 模型本身有sigmoid函数
        predict = predict.data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()
    total_recall = 0.0
    for i in range(len(predict[0])):  # 因为存在batch_size通道，需要切割一下
        pre_split = predict[i]
        tar_split = target[i]
        pre_split = numpy.atleast_1d(pre_split.astype(numpy.bool))  # 非0为True 0为False
        tar_split = numpy.atleast_1d(tar_split.astype(numpy.bool))  
        tp = numpy.count_nonzero(pre_split & tar_split)   # 计算tp
        fn = numpy.count_nonzero(~pre_split & tar_split)  # 计算fn
        try:
            recall = tp / float(tp + fn)  # 根据recall公式计算recall
        except ZeroDivisionError:
            recall = 0.0
        total_recall += recall  

    return total_recall/len(predict[0])  # 进行均值化处理

Dice：

def dice(predict, target):
    if torch.is_tensor(predict):
        predict = predict.data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()
    total_dice = 0.0
    for i in range(len(predict[0])):
        pre_split = predict[i]
        tar_split = target[i]

        pre_split = numpy.atleast_1d(pre_split.astype(numpy.bool))  
        tar_split = numpy.atleast_1d(tar_split.astype(numpy.bool))

        intersection = numpy.count_nonzero(pre_split & tar_split) #计算非零个数

        size_i1 = numpy.count_nonzero(pre_split)    # 计算gt面积
        size_i2 = numpy.count_nonzero(tar_split)  # 这里直接计算pre面积

        try:
            dice = 2. * intersection / float(size_i1 + size_i2)
        except ZeroDivisionError:
            dice = 0.0
        total_dice += dice

    return total_dice/len(predict[0])

IOU：

def iou(predict, target):
    if torch.is_tensor(predict):   
        predict = predict.data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()
    total_iou = 0.0
    for i in range(len(predict[0])):
        pre_split = predict[i]
        tar_split = target[i]
        pre_split = numpy.atleast_1d(pre_split.astype(numpy.bool))
        tar_split = numpy.atleast_1d(tar_split.astype(numpy.bool))
        tp = numpy.count_nonzero(pre_split & tar_split)
        fn = numpy.count_nonzero(~pre_split & tar_split)
        fp = numpy.count_nonzero(~tar_split & pre_split)
        try:
            iou = tp / float(tp + fn + fp)
        except ZeroDivisionError:
            iou = 0.0
        total_iou += iou

    return total_iou/len(predict[0])

最近一直在弄医学图像分割模型，特此记录，有错误大家可以积极讨论，我也会不断改进的！