图像分割各种评测标准

最新推荐文章于 2026-03-20 02:39:46 发布

原创

最新推荐文章于 2026-03-20 02:39:46 发布 · 8.9k 阅读

收录于

当前文章被以下社区和专栏收录：

本文详细介绍了在医学图像分析中常用的评估指标，包括Dice相似系数（F1-score）的计算、平均表面距离（ASSD）的求解、Hausdorff距离及其95分位数的计算方法。通过Python代码示例展示了如何从像素坐标到真实世界坐标的转换，并提供了利用medpy库进行计算的简化方式。此外，还涉及了Dicom图像信息的读取，以及如何从mask中提取边界点。

1. 计算Dice

Dice其实就是F1-score,即预测predicate和实际gt区域的overlap的面积(area)(或体积(volume))与二者union区域的面积(area)(或体积(volume))的比值的2倍。Dice一般是没有单位的。

def dice(seg, gt):
	if seg.sum() + gt.sum() == 0:
    	return 0
	dice = 2 *(seg * gt).sum() / (seg.sum() + gt.sum())

或者使用medpy库

pip install medpy

from medpy.metric import binary

def dice(seg, gt):
	return binary.dc(seg, gt)

2. 计算Assd(Average symmetric surface distance)

在这里插入图片描述

如图所示,ASSD计算公式为:
$ASSD=\frac{\sum_{x\in X}min_{y\in Y}d(x, y)+\sum_{y\in Y}min_{x\in X}d(y, x)}{len(X) + len(Y)}$
或者
$\frac{\frac{\\sum_{x\in X}min_{y\in Y}d(x, y)}{len(X)}+\frac{\sum_{y\in Y}min_{x\in X}d(y, x)}{len(Y)}}{2}$