FROC曲线

两次了，问这个froc，我都不知道是个啥，所以来学习了

froc曲线其实与roc曲线类似

froc把横坐标换成了平均的假阳性个数

这里主要对着这个代码讲https://github.com/M3DV/RibFrac-Challenge/blob/master/ribfrac/evaluation.py

前置知识

这是一个肋骨骨折的比赛，有2个任务，第1个是检测（实例分割），第2个是对分割的结果进行分类
froc针对第一个任务

这个比赛要求提交
1.实例分割的.nii.gz文件
2.一个csv
每一行是一个骨折的区域的信息

第一列是图片
第二列是第几个骨折区域
第三列是这个区域骨折的置信度
第四列是骨折类型（对froc不重要）

这个是ground truth
含义与上面一样

FROC

首先对每一个图片进行处理

遍历预测的骨折区域，计算这个区域与每一个真实骨折的区域的iou
那么这个预测的骨折区域命中的真实骨折区域，就是iou最大的那个

举个例子
比如第$k$个预测的骨折区域，与真实的肋骨骨折区域的iou为$\left[0.5,0.7,0.6,0.3\right]$
那么算命中1号(下标从0计算)

当然如果真的这么算iou，可能复杂度比较高
这份代码的做法是
对预测图和真实的图，取交集和并集，分别计算连通域
遍历交集的连通域，计算那个连通域所属的骨折的iou
其实效果是一样的

计算的结果如下图
第一列是预测的骨折区域的编号
第二列是命中的iou
第三列是命中的真实的骨折的区域的类别
第四列是预测的骨折区域的类别的名字（不重要）
第五列是预测的骨折区域的置信度
第六列是命中的真实的骨折的区域的类别的名字（不重要）
第七列是真实的骨折的个数

接下来有两个阈值
一个是预测的阈值p_thresh
一个是iou的阈值 iou_thresh

iou的阈值就是控制你的预测不能太离谱（这里固定是0.2）
预测的阈值就和roc曲线的那个阈值类似
通过调整这个阈值，我们可以得到不同的坐标(平均假阳性个数，召回率）

接着是比赛里的一些指标

这个1,2,4,8,0.5的recall的计算方法
首先1，2，4，8，0.5代表的是每一张图的平均的假阳性个数
（比如你阈值贼高，那你可能就预测1个阳性，那自然假阳性个数就低了）

首先对计算出来的(平均假阳性个数，召回率），按照假阳性排序
以1为例，找到平均假阳性个数中<=1的点当最接近1的点
找到平均假阳性个数中>=1的点当最接近1的点
然后对这两个点做一阶线性插值，代入1
这里看一下代码就懂了

比如这个例子中就是取
(0.96250,0.24138)
(1.1,0.25287)
这两个点
做一阶线性插值，代入1

插值完算出来就是这样

average_recall就是这5个召回率的平均
max_recall就是不同的阈值下算出来的的召回率中最大的
average_fp_at_max_recall就是不同的阈值下算出来的的平均假阳性个数中最大的（不是特别懂这命名）