What is:
T1蓝色部分表示真实脑肿瘤区域(Ground Truth), T0:除T1蓝色外的其它部分为正常脑区域
P1红色部分表示预测的脑肿瘤区域(Prediction), P0:除P1红色的其它部分为预测的正常脑区域
What is :
TP，TN，FP， FN
假设正样本为脑肿瘤,负样本为正常脑组织,则有如下:
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:
TP(紫色部分)
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
TN(紫色部分)
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
FP(紫色部分)
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
FN(紫色部分)
Dice系数:
对于分割过程中的评价标准主要采用Dice相似系数(Dice Similariy Coefficient,DSC),Dice系数是一种集合相似度度量指标,通常用于计算两个样本的相似度,值的范围 ０－１ ,分割结果最好时值为 １ ,最差时值为 ０.
Python代码实现:
def dice_coef(output, target):#output为预测结果 target为真实结果
smooth = 1e-5 #防止0除
if torch.is_tensor(output):
output = torch.sigmoid(output).data.cpu().numpy()
if torch.is_tensor(target):
target = target.data.cpu().numpy()
intersection = (output * target).sum()
return (2. * intersection + smooth) / \
(output.sum() + target.sum() + smooth)
IOU:重叠度(Intersection of Union)
IoU分数是对象类别分割问题的标准性能度量。 给定一组图像，IoU测量给出了在该组图像中存在的对象的预测区域和Ground Truth区域之间的相似性，并且由以下等式定义：
其中TP，FP和FN分别表示真阳性，假阳性和假阴性计数。
Python代码实现:
def iou_score(output, target):
smooth = 1e-5
if torch.is_tensor(output):
output = torch.sigmoid(output).data.cpu().numpy()
if torch.is_tensor(target):
target = target.data.cpu().numpy()
output_ = output > 0.5
target_ = target > 0.5
intersection = (output_ & target_).sum()
union = (output_ | target_).sum()
return (intersection + smooth) / (union + smooth)
TPR:True Positive Rate(真阳性率):预测正确的样本占总阳性样本的比例,越大越好.又称为Sensitivity:灵敏度
Python代码实现:
def sensitivity(output, target):
smooth = 1e-5
if torch.is_tensor(output):
output = torch.sigmoid(output).data.cpu().numpy()
if torch.is_tensor(target):
target = target.data.cpu().numpy()
intersection = (output * target).sum()
return (intersection + smooth) / \
(target.sum() + smooth)
Precision:精确率,表示预测为阳性的样本中,预测正确的比例,越大越好
Python代码实现:
def ppv(output, target):
smooth = 1e-5
if torch.is_tensor(output):
output = torch.sigmoid(output).data.cpu().numpy()
if torch.is_tensor(target):
target = target.data.cpu().numpy()
intersection = (output * target).sum()
return (intersection + smooth) / \
(output.sum() + smooth)
Hausdorff_95 (95% HD):Dice系数对分割出的内部填充比较敏感，而hausdorff distance 对分割出的边界比较敏感。
简言之:
单向:先找最小,再找最大
双向:先找单向,再找最大
Hausdorff_95就是是最后的值乘以95%,目的是为了消除离群值的一个非常小的子集的影响。
环境安装:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numba
pip install hausdorff
Python代码实现:
import numpy as np
from hausdorff import hausdorff_distance
# two random 2D arrays (second dimension must match)
np.random.seed(0)
X = np.random.random((1000,100))
Y = np.random.random((5000,100))
# Test computation of Hausdorff distance with different base distances
print("Hausdorff distance test: {0}".format( hausdorff_distance(X, Y, distance="manhattan") ))
print("Hausdorff distance test: {0}".format( hausdorff_distance(X, Y, distance="euclidean") ))
print("Hausdorff distance test: {0}".format( hausdorff_distance(X, Y, distance="chebyshev") ))
print("Hausdorff distance test: {0}".format( hausdorff_distance(X, Y, distance="cosine") ))
# For haversine, use 2D lat, lng coordinates
def rand_lat_lng(N):
lats = np.random.uniform(-90, 90, N)
lngs = np.random.uniform(-180, 180, N)
return np.stack([lats, lngs], axis=-1)
X = rand_lat_lng(100)
Y = rand_lat_lng(250)
print("Hausdorff haversine test: {0}".format( hausdorff_distance(X, Y, distance="haversine") ))
半正矢:
半正矢(haversine)在三角函数中，称1/2（1－cosα)为角α的半正矢，记作hav α， 即hav α=1/2(1一cosα)。
半正矢函数为正矢(versed sine) 函数乘以1/2，在三角函数中，称1－cosα为角α的正矢，记作vers α， 即vers α=1一cosα。
