TP, TN, FP FN

表示分类正确：True Positive(TP)：本来是正样例，分类成正样例。True Negative(TN)：本来是负样例，分类成负样例。表示分类错误：False Positive (FP)：本来是负样例，分类成正样例，通常叫误报。False Negative(FN)：本来是正样例，分类成负样例，通常叫漏报。

score值 即各个样本属于正例的概率

Dice Similarity Coefficient (DSC)’

$DSC= \frac{2TP}{FP+2TP+FN}$

Positive Predictive
Value (PPV)
$PPV= \frac{TP}{FP+TP}$

Sensitivity is useful to evaluate the number of TP and
FN detections

$specificity= \frac{TN}{TN+FP}$　 负样本预测结果数 / 负样本实际数

$Sensitivity= \frac{TP}{TP+FN}$ 正样本预测结果数 / 正样本实际数

$TPR=Recall= \frac{TP}{TP+FN}$ 预测正确在整个真实为正的比列

$Precision= \frac{TP}{TP+FP}$ 预测正确占整个预测的比例

如下图所示，红色圆代表真实值，黄色圆代表预测值。橙色部分红色圆与黄色圆的交集，即真正（预测为1，真实值为1）的部分，红色部分表示假负（预测为0，真实为1）的部分，黄色表示假正（预测为1，真实为0）的部分，两个圆之外的白色区域表示真负（预测为0，真实值为0）的部分。

MP计算橙色与（橙色与红色）的比例。
MIoU计算的是计算A与B的交集（橙色部分）与A与B的并集（红色+橙色+黄色）之间的比例，在理想状态下A与B重合，两者比例为1 。

F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。
分数（ Score），又称平衡F分数（balanced F Score），它被定义为精确率和召回率的调和平均数。
$F1= 2\frac{precision+recalll}{precison*recall}$

参考
基于深度学习的图像语义分割技术概述之5.1度量标准