医学图像分割常用指标及代码（pytorch）

现在，医学图像分割有很多现成的工具包可以快速测量一些指标，比如python中的medpy库。但是，我们还是要学习一下滴！该文章列出了一些常用的指标，并解释了它的原理。

一、医学图像分割常用指标及代码

1. Classic measures

1、What is $T_1、T_0、P_1、P_0$? ¹

$T_1$蓝色部分表示真实脑肿瘤区域(GroundTruth)
$T_0$蓝色的其它部分为正常脑区域
$P_1$红色部分表示预测的脑肿瘤区域
$P_0$ 红色的其它部分为预测的正常脑区域

2、What is TP、TN、FP、TN?

(a) 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
(b) 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
(b) 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
(d) 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

3、Sensitivity (Recall, true positive rate)

真阳性率（true positive rate，TPR）也称为敏感度和召回率，它衡量的是真实背景中的阳性体素部分，即衡量的是分割实验中能分割感兴趣区域的能力。
$$Recall=Sensitivity=TPR=\frac{R_{gt}\bigcap R_{pred}}{R_{gt}}=\frac{TP}{TP+FN}$$
$R_{gt}$ 是ground true 的分割结果，$R_{pred}$是预测的分割结果。

pytorch代码：

def recall(predict, target): #Sensitivity, Recall, true positive rate都一样
    if torch.is_tensor(predict):
        predict = torch.sigmoid(predict).data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()

    predict = numpy.atleast_1d(predict.astype(numpy.bool))
    target = numpy.atleast_1d(target.astype(numpy.bool))

    tp = numpy.count_nonzero(predict & target)
    fn = numpy.count_nonzero(~predict & target)

    try:
        recall = tp / float(tp + fn)
    except ZeroDivisionError:
        recall = 0.0

    return recall

4、Specificity(true negative rate)

真阴性率（true negative rate，TNR）也称为特异性，它衡量的是地面真值分割中的负体素（background）部分，即其衡量的是分割实验中能正确判断不是感兴趣区域像素点的能力。
$$Specificity=TNR=\frac{TN}{TN+FP}$$

pytorch代码：

def specificity(predict, target): #Specificity，true negative rate一样
    if torch.is_tensor(predict):
        predict = torch.sigmoid(predict).data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()

    predict = numpy.atleast_1d(predict.astype(numpy.bool))
    target = numpy.atleast_1d(target.astype(numpy.bool))

    tn = numpy.count_nonzero(~predict & ~target)
    fp = numpy.count_nonzero(predict & ~target)

    try:
        specificity = tn / float(tn + fp)
    except ZeroDivisionError:
        specificity = 0.0

    return specificity

5、Precision

精确度，也叫阳性预测值（PPV）。
$$Precision=PPV=\frac{R_{gt}\bigcap R_{pred}}{R_{pred}}=\frac{TP}{TP+FP}$$
pytorch代码：

def precision(predict, target):
    if torch.is_tensor(predict):
        predict = torch.sigmoid(predict).data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()

    predict = numpy.atleast_1d(predict.astype(numpy.bool))
    target = numpy.atleast_1d(target.astype(numpy.bool))

    tp = numpy.count_nonzero(predict & target)
    fp = numpy.count_nonzero(predict & ~target)

    try:
        precision = tp / float(tp + fp)
    except ZeroDivisionError:
        precision = 0.0

    return precision

2. Similarity

1、Dice Coefficient

DICE（值域为[0,1]）:也称为重叠指数，表示两个物体相交的面积占总面积的比值。
$$DICE=\frac{2|P_1\bigcap T_1|}{|P_1|+|T_2|}=\frac{2|R_{pred}\bigcap R_{gt}|}{|R_{pred}|+|R_{gt}|}=\frac{2TP}{2TP+FP+FN}$$
pytorch 代码：

import torch
import numpy
from medpy import metric

predict = numpy.array([1, 2, 3, 4], dtype=float) #predict是预测结果
target = numpy.array([1, 0, 1, 2], dtype=float) #target是ground true

def dice(predict, target):
    if torch.is_tensor(predict):
        predict = torch.sigmoid(predict).data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()

    predict = numpy.atleast_1d(predict.astype(numpy.bool))  #转一维数组
    target = numpy.atleast_1d(target.astype(numpy.bool))

    intersection = numpy.count_nonzero(predict & target) #计算非零个数

    size_i1 = numpy.count_nonzero(predict)
    size_i2 = numpy.count_nonzero(target)

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

    return dice
 
dice1 = dice(predict, target)
dice2 = metric.binary.dc(predict, target)
print(dice1, dice2)

结果如下：

2、Jaccard Coefficient

$$JAC=\frac{|R_{gt}\bigcap R_{pred}|}{|R_{gt}\bigcup R_{pred}|}=\frac{TP}{TP+FP+FN}$$
因此，DICE和JAC之间的关系是：
$$DICE=\frac{2JAC}{1+JAC}$$

pytorch代码：

from medpy import metric
import torch
import numpy

predict = numpy.array([[1, 2, 3, 4], [5, 6, 7, 8]], dtype=float)
target = numpy.array([[1, 6, 1, 0], [1, 2, 0, 0]], dtype=float)

def jac(predict, target):
    if torch.is_tensor(predict):
        predict = torch.sigmoid(predict).data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()

    predict = numpy.atleast_1d(predict.astype(numpy.bool))
    target = numpy.atleast_1d(target.astype(numpy.bool))

    intersection = numpy.count_nonzero(predict & target)
    union = numpy.count_nonzero(predict | target)

    jac = float(intersection) / float(union)

    return jac

jac1 = jac(predict, target)
jac2 = metric.binary.jc(predict, target)
print(jac1, jac2)

#验证一下DICE和JAC的关系
dice1 = dice(predict, target)
dice2 = 2 * jac1 / (1 + jac1)
print(dice1, dice2)

结果如下：

3. Distance

这部分的代码过于复杂，就不一一实现了。哭唧唧，太难了~

1、Hausdorff Distance (HD)

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。

2、Average Surface Distance (ASD)

二、快速实现指标的工具和代码

医学图像处理的python库medpy：
官方文档链接

以上各个指标的pytorch代码都是参考medpy包中的代码，那我们如何快速实现这些指标呢？
答案如下（直接调包好爽啊哈哈哈哈）：

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

参考资料

---

1. 分割常用评价指标Dice、Hausdorff_95、IOU、PPV等
   2.机器学习&图像分割——模型评价总结
   3.CSDN中的LaTeX数学公式的基本操作
   4.Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. ↩︎