分割和检测任务在医学影像领域的评估指标

最新推荐文章于 2024-12-05 16:33:16 发布
最新推荐文章于 2024-12-05 16:33:16 发布
阅读量3.6k 收藏 16
点赞数 3
分类专栏： 关于深度学习的概念
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34869928/article/details/95099511
版权
本文介绍了医学影像分析中常用的评估指标，包括DICE score、SE score、precision、recall、VOE、IoU和RI。DICE score作为F1 score的一种，评估分割与检测的精度，但对小目标分割可能不足；precision和recall用于检测任务，关注真阳性和假阳性的检测；VOE是Jaccard系数的补集，用于评估分割误差；IoU和RI衡量预测与真实结果的重叠程度，反映分割相似性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

分割和检测的预测结果其实就是个与输入图像大小一致掩码（mask），用于表示每个像素所属类别。

1. DICE score

      既能用于评估分割，也能用于评估检测，因为某种程度上，分割的精确度与检测相关。

      DICE score属于F1 score，是精确率和召回率的调和平均数。这个分数基本上是像素级的检测得分。当应用于二元分割任务时，它会评估预测值A和真实值B之间的重叠程度，计算公式：

                        DICE(A,B)=2\frac{|A\bigcap B|}{|A|+|B|} = \frac{2TP}{FP+2TP+FN}，取值范围为[0,1]，值越大表示分割结果越好。

      该指标有个缺点：当将该值用作loss训练网络时，会对分割错误的结果(假阳性和假阴性)进行惩罚，该惩罚依赖于假阴性部分（实际为真，预测为假）相对于其他预测部分和真实值的大小，当要分割的目标较小，如血管小分支、肺结节，会造成惩罚力度不够，导致分割效果不

最低0.47元/天 解锁文章
机器学习性能评估指数之Dice系数​
浩瀚之水的专栏
03-24 2482
Dice系数​（Dice Coefficient），也称为Dice相似系数​（Dice Similarity Coefficient, DSC），是衡量两个集合相似度的指标，广泛应用于图像分割任务​（尤其是医学影像）中评估预测结果与真实标签的重叠程度。
2021.04.06
weixin_42733583的博客
04-09 383
基本概念总结： 梯度更新方式 参考1 参考2 BGD 交叉熵损失函数批量梯度下降法（Batch Gradient Descent） 思路是在更新每一参数时都使用所有的样本来进行更新。 优点：全局最优解；易于并行实现；BGD迭代的次数相对较少 缺点：当样本数目很多时，训练过程会很慢。 SGD 随机梯度下降法（Stochastic Gradient Descent） 为了解决批量梯度下降法这一弊端而提出的。思路是每次训练样本只输入一个，通过不断输入不同样本来修正参数，而BGD是一次输入所有样本来修
语义分割的评价指标——PA(像素准确率)、CPA(类别像素准确率)、MPA(类别平均像素准确率)、IoU(交并比)、MIoU(平均交并比)详细总结
热门推荐
weixin_38353277的博客
10-29 4万+
语义分割是像素级别的分类，其常用评价指标： 像素准确率（Pixel Accuracy，PA）、 类别像素准确率（Class Pixel Accuray，CPA）、 类别平均像素准确率（Mean Pixel Accuracy，MPA）、 交并比（Intersection over Union，IoU）、 平均交并比（Mean Intersection over Union，MIoU）， 其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。 1 混淆矩阵 混淆矩阵就是统计分类模型的分类结果，即
[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey
qq_38932073的博客
04-02 4万+
本综述有两个独创之处，首先，与传统的调查方法直接将医学图像分割的文献划分为多个组，并对每个组详细介绍文献的方法相比，我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次，本文重点研究了监督学习和弱监督学习方法，但未包括无监督方法，这种方法目前在医学图像领域并不流行。对于监督学习方法，我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法，我们分别根据数据增强，迁移学习和交互式分割研究文献。与已有的调查相比，本次调查的文献分类与以往有很大的不同，更便于读者了解相关
Unet语义分割模型训练自定义过程中出现dice score趋近于0或者负值的解决方案（使用的仓库代码为——https://github.com/milesial/Pytorch-UNet）
blink182007的博客
12-22 2814
learning_rate: float = 1e-5 ——>修改为——> learning_rate: float = 0.0001。发现dice值无论和validation Dice始终为负值和趋近于（无限接近于0）0，具体情况如下图所示。tips:一旦成功得到各项指标以后，再把学习率改回去，可能就无法复现之前的“趋近于0”的现象了。再次尝试运行就可以正常输出得到正常的各项Dice值了。将train.py代码中的内容。
保姆级详解和实现Dice Loss/Score
weixin_49894927的博客
12-05 763
Dice Loss和 Dice score详解
图像分割评测指标dice score的理解
Jessica__Chan的博客
05-18 5953
参考: https://blog.csdn.net/qwer7512090/article/details/92846558?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-6.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-6.nonecase https://blog.csdn.n
Dice系数,F1-score,ROC-AUC的含义，PR曲线含义
qxqsunshine的博客
03-14 1万+
1.Dice系数 Dice距离主要是用来计算两个集合的相似性的(也可以度量字符串的相似性).计算公式如下: 2. F1 score F1分数是用来衡量二分类模型精确度的一种指标,同时考虑到分类模型的准确率和召回率.可看做是准确率和召回率的一种加权平均. 在已知精确率和召回率的情况下 求得的一种平均的结果. 3. 各种指标的含义 precision: 预测为对的当中,原本是对的比...
医学影像分析领域肋骨目标检测技术方案及应用
最新发布
02-06
内容概要：本文介绍了肋骨目标检测在医学影像分析中的重要性和应用场景，特别是通过多种技术和工具实现肋骨定位及异常识别的方法。首先定义了二维和三维肋骨检测任务，分别阐述了经典的机器学习方法（如基于边缘检测...
基于Python Unet的医学影像分割系统源码，含皮肤病的数据及皮肤病分割的模型，用户输入图像，模型可以自动分割去皮肤病的区域
01-05
本文将详细讲解基于Python实现的Unet医学影像分割系统，特别是针对皮肤病的图像检测与分割。Unet模型在医学图像分析领域广泛应用，尤其在皮肤病识别和分割方面表现出强大的性能。 Unet模型是一种深度学习架构，最初...
python课程设计-使用Unet实现在甲状腺结节医学影像上的语义分割任务源码.zip
10-19
在人工智能和医学影像分析领域，语义分割任务是一个重要的研究方向。语义分割指的是对图像中的每个像素进行分类，以识别图像中的不同区域和对象。这种技术在医学影像分析中尤为关键，因为它可以帮助医生更准确地识别...
【医学影像分析】二维超声图像分割与检测（超声神经分割，Kaggle数据集）.zip
09-30
通过准确的图像分割和检测技术，可以大幅提高医学影像分析的准确性和效率，为疾病的诊断和治疗提供更为科学、可靠的支持。随着深度学习等先进算法的不断发展和应用，这一领域未来有望实现更加智能化、自动化的分析...
聊聊图像分割的DICE和IOU指标
Henry的博客
03-09 1万+
dice 和 iou 都是衡量两个集合之间相似性的度量dice计算公式：iou计算公式：iou的集合理解：iou 其实就是两个区域的 overlap 部分和 union 部分的比值，也就是两个集合的交集/并集dice 的分母不是并集，因为dice的分母是两个区域的和，A+B = A + B - A∩B，所以dice的分母其实是少减去了一个A∩B，所以就让分子的A∩B扩大2倍。
图像任务的常见指标计算
weixin_53162487的博客
12-12 1533
图像任务重常用指标计算。
Unet语义分割dice提升
ARYAD的博客
04-08 5841
初次复现 Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks文章，但是并没有用pix2pix的分割模型，而是使用Unet分割利用pix2pix合成的brats数据集。但是发现原本的Unet模型bceloss效果并不好，val的dice值很低。就开始踏上了炼丹之路。 论文地址:https://arxiv.org/abs/1807.10225 1.学习率 找到最
常用的医学图像分割评价指标
weixin_43921949的博客
10-05 9071
记录用于医学图像分割的一系列评价指标！
Deeplab实战：使用deeplabv3实现对人物的抠图
AI浩
04-08 3292
摘要 在上一篇文章中我们使用UNet实现了二分类分割，训练了150个epoch，最后dice得分在0.87左右。今天我们使用更优秀的网络deeplabv3实现图像的二分类分割，dice得分大约在0.97左右。 关于二分类一般有两种做法： 第一种输出是单通道，即网络的输出 output 为 [batch_size, 1, height, width] 形状。其中 batch_szie 为批量大小，1 表示输出一个通道，height 和 width 与输入图像的高和宽保持一致。 在训练时，输出通道数是 1，网络
图像分割结果的评估---DICE参数
GlassySky的博客
08-30 4万+
GT（ground truth）图像:我理解的就是含有理论分割结果的图像，用来和结果图像进行比较的参照图像。那么GT图像怎么来，一般通过专家手工勾画出来，得到理论值。当然为避免偶然性，你可以选择多个专家，得到多个GT分割结果，取各项评估参数的平均值。 分割精度：个人理解就是分割准确的面积占GT图像中真实面积的百分比。找了半天找了这么个公式（如下）。   不难理解，其中Rs表示专家手工勾画...
几种分割loss
hxshine的博客
04-13 1万+
1 2d交叉熵（mutil class 分割） 定义 def cross_entropy2d(input, target, weight=None, size_average=True): # input: (n, c, h, w), target: (n, h, w) n, c, h, w = input.size() # log_p: (n, c, h, w) ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值