DSC和HD医学图像分割评价指标

小小小MaYi

已于 2022-03-22 11:53:13 修改

阅读量1.9w

点赞数 23

分类专栏：深度学习文章标签：深度学习神经网络 python pytorch

于 2022-03-14 11:08:07 首次发布

本文链接：https://blog.csdn.net/qq_37652891/article/details/123473086

版权

深度学习专栏收录该内容

13 篇文章

订阅专栏

本文详细介绍了医学图像分割中常用的 Dice 相似系数(DSC)和 Hausdorff_95(95%HD)指标，包括它们的计算方法及在度量闭合区域相似性和集合间距离的应用。通过medpy包实现，适合理解与优化医疗影像处理算法的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

***************************************************

码字不易，收藏之余，别忘了给我点个赞吧！

***************************************************

---------Start

DSC和HD医学图像分割评价指标

1. Dice相似系数(DSC)

DSC(Dice Similarity Cofficient) 用于度量两个集合的相似度，取值范围为[0,1],值越大，表示两个集合越相似。常用在計算闭合区域的相似性。

在这里插入图片描述
计算可调用medpy包
dice = medpy.metric.binary.dc(pred, gt)

*注意：Dice Loss= 1-Dice系数

2. Hausdorff_95 (95% HD)

豪斯多夫距离，计算两个集合之间的距离，值越小，代表两个集合的相似度越高。

计算可调用medpy包
hd95 = medpymetric.binary.hd95(pred, gt)

若需要计算多通道图像之间的HD和DSC，可分别计算各个通道的HD和DSC，然后求平均值。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小小小MaYi

关注关注

23
点赞
踩
74

收藏

觉得还不错? 一键收藏
8
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

医学图像中常用的分割指标I

2302_77210478的博客

11-13

778

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。IoU 是预测分割和标签之间的重叠区域除以预测分割和标签之间的联合区域（两者的交集/两者的并集），如图1所示。）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。其中，Vseg是分割出的结果图，Vgt是标签。HD 用于分割指标，主要是用来度量边界的分割准确度。

医学图像分割的半监督学习综述

weixin_43921949的博客

08-29

5041

Title：目录 Abstract（摘要）二：前期 2.1半监督学习的基本分类 2.2半监督学习的三个假设三：半监督学习图像分割的相关工作半监督医学图像分割问题的分类无监督正则化具有知识先验的半监督医学图像分割其他半监督医学图像分割方法四：医学图像分割的常用评价指标 1）DSC 2）IOU 3）豪斯多夫距离（HD） Abstract（摘要）本文全面的回顾了最近提出的用于医学图像分割的半监督方法，并总结了每种方法的创新性，此外还分析了现有方法的局限..

8 条评论您还未登录，请先登录后发表或查看评论

图像分割中常用的两个评价指标

04-28

【摘要】目的：比较影像分割技术中Dice系数和Hausdorff距离的评价效果，分析这两种相似性系数之间的联系，并设计相应的类型加以进一步论述。方法：采用Dice系数和Hausdorff距离对两种轮廓相似度进行评估。设计18个（9对）从临床靶区中抽象出的轮廓，计算并比较这两类相似性系数。结果：根据比较结果，总结出3种不同类型情况：（1）图像符合度好；（2）图像整体符合度好，但存在一小部分符合度差；（3）图像轮廓符合度差。结论：仅靠Dice系数作为唯一评判标准是不完善的，应在此基础上增加Hausdorff距离的筛选，这样才能最大限度地说明轮廓之间的符合程度。

【机器学习】图像语义分割常用指标-HD95

Everyday try to become better -Kobe Bryant

05-01

1万+

一般使用dice衡量区域的重合程度，使用95%的HD（ Hausdorff Distance）去衡量边界的重合程度，之所以取95%，是因为要滤去5%的离群点。但其实，虽然有两个指标，95hd经常不是主动优化的。一般dice小了，95HD就小了，因此大多数人使用dice loss作为梯度下降的loss。

[PyTorch深度学习]--常用的图像分割评估指标

tingyunye的博客

03-04

845

常用图像分割评价指标理解和总结以及基于PyTorch代码实现。

Dice相似系数(Dice Similarity Coefficient, DSC)

qq_42563807的博客

11-08

1万+

Dice相似系数(Dice Similarity Coefficient, DSC) 分母可以解析为： FP + TP = 所有分类为阳性的样本 TP + FN = 真阳 + 假阴 = 所有真的是阳性的样本

混淆矩阵、准确率、查准率、查全率、DSC、IoU、敏感度的计算

齐落山大勇的博客

01-27

2764

在训练的模型的时候，需要评价模型的好坏，就涉及到混淆矩阵、准确率、查准率、查全率、DSC、IoU、敏感度的计算。

文本相似度计算——Dice Similarity Coefficient（Dice相似系数）+ 最长公共子序列(LCS)

qq_37771475的博客

09-16

4779

最长公共子序列是一个典型的动态规划问题，本文首先通过推导状态转移方程式来计算最长公共子序列，然后通过Dice相似度算法来计算文本相似度。

图像分割评测指标，dice，voe,ASD,RVD等

04-12

图像分割评测指标，dice，voe,ASD,RVD等，适用于2d分割图像或者3d图像分割

分割任务的性能指标之Surface Dice

duanyuwangyuyan的博客

03-08

2262

分割任务的性能指标之Surface DSC1. Surface DSC是啥1.1 Surface DSC示意图1.2 Organ-specific tolerances容差2. Surface DSC技术细节 1. Surface DSC是啥在文章《Deep learning to achieve clinically applicable segmentation of head and neck anatomy for radiotherapy》中作者引入了一个分割性能指标，“surface Dice

【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码

Tina姐的博客

06-08

1万+

图像分割的评价指标非常多，论文中常用的包括像素准确率(Pixel Accuracy, PA)、交并比(Intersection-Over-Union，IOU)、Dice系数(Dice Coeffcient), 豪斯多夫距离（ Hausdorff distance，HD95），体积相关误差（relative volume error, RVE）。文末还为懒癌星人提供一站式服务，只需修改地址，就可以实现所有指标，并且将结果存为Excel。接下来，一一为大家解答。内容超多，建议收藏，需要用到时再来学习。文.

医学图像分割评价指标

Alexa_的博客

07-19

4284

医学图像分割评价指标

【CV\segmentation】实例分割算法在竞赛中的评价指标（Evaluation Metrics）|| 学习笔记

linjoe99的博客

11-15

3782

竞赛中的实例分割算法的评价指标（Evaluation Metrics）

CMIG 2022 - 2.5D方法在医学图像分割中的应用

ChinaSuperLeon的博客

10-28

1106

作者将2.5D分割方法分为三大类：多视图融合、整合slice间信息、融合2D/3D特征。

医疗影像语义分割常用指标

weixin_40779727的博客

08-23

3626

一、病灶检测的指标 0 注释： TP: 实际为真，预测为真 FP: 实际为假，预测为真（假阳性） TN: 实际为假，预测为假 FN: 实际为真，预测为假 TP + FN = 实际的所有正例 TP + FP = 预测的所有正例 1. 准确率（precision） precision =TPTP+FP \text { precision }=\frac{T P}{T P+F P}...

Python第三方库之MedPy

AlbertDarren的博客

12-06

1万+

MedPy 是一个图像处理库和针对医学(如高维)图像处理的脚本集合，此处主要讨论利用该库计算常见的医学图像分割任务评价指标，如Dice、Jaccard、Hausdorff Distance、Sensitivity、Specificity、Positive predictive value等。论文表格的表头一般使用评价指标的英文全称首字母大写简写，如PPV代表阳性预测值，故此处也给出。Dice相似系数(Dice Similarity Coefficient，DSC)或Dice系数(Dice Coefficie

Python测指标模板

weixin_38907184的博客

09-15

1356

import cv2 import glob import os import numpy as np 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.bina.

Swin-Unet跑自己的数据集（Transformer用于语义分割）

最新发布

03-10

### 图像分割评估指标概述图像分割评估指标用于衡量模型预测结果与真实标签之间的相似度。常见的评估指标包括： #### 像素准确率 (Pixel Accuracy) 像素准确率是最简单的评估方法之一，表示被正确分类的像素占总像素的比例[^2]。 \[ \text{Accuracy} = \frac{\sum_{i=1}^{N}\delta(y_i=\hat{y}_i)}{N} \] 其中 \( N \) 是总的像素数量，\( y_i \) 和 \( \hat{y}_i \) 分别代表第 i 个像素的真实类别和预测类别，\(\delta\) 函数当两个参数相等时返回 1 否则返回 0。 #### 平均交并比 (mIoU) 平均交并比（mean Intersection over Union, mIoU）是一个广泛使用的评价标准，在多个类别的情况下尤其有用。对于每一个类别 k ，其 IoU 定义如下: \[ \text{IoU}(k)=\frac{|X_k \cap Y_k|}{|X_k \cup Y_k|} \] 这里 \( X_k \) 表示属于类别 k 的真值区域集合；而 \( Y_k \) 则指代由算法得到的对应于该类别的预测区域集。最后通过取所有类别上 IoU 的算术平均值得到最终得分[^1]。 ```python def mean_IoU(pred_mask, true_mask): intersection = np.sum((pred_mask & true_mask)) union = np.sum((pred_mask | true_mask)) if union == 0: return float('nan') iou_score = intersection / union return iou_score.mean() ``` #### Dice 系数 Dice 系数也称为 Sørensen–Dice 指数，它测量的是两个样本集合之间的一致性程度。公式定义为： \[ DSC(X,Y)=\frac{2|X∩Y|}{|X|+|Y|} \] 这个分数范围是从 0 到 1 , 数值越高说明匹配越好。 #### 豪斯多夫距离 (Hausdorff Distance) 豪斯多夫距离用来描述两组点间的最大差异，即一个形状边界上的任意一点到达另一个形状边界的最短路径的最大长度。此度量可以捕捉轮廓偏差情况下的性能变化。 #### 体积相关误差 (Volume Similarity Error) 这一项主要用于三维数据集中，比较目标物体实际体积 V_true 与其估计出来的近似体积 V_pred 差异大小。计算方式通常采用相对百分比形式表达： \[ VS=(V_\text{{true}}−V_\text{{pred}})/[(V_\text{{true}}+V_\text{{pred}})/2]\times100 \% \] 这些不同的评估指标各有侧重，可以根据具体应用场景选择合适的组合来全面反映模型的表现。