0. 前置知识
⭐ P 1 P_1 P1、 P 0 P_0 P0、 T 1 T_1 T1、 T 0 T_0 T0
P
1
P_1
P1:预测的脑肿瘤区域
P
0
P_0
P0:预测的正常脑区域
T
1
T_1
T1:真实的脑肿瘤区域(Ground Truth)
T
0
T_0
T0:真实的正常脑区域
⭐
T
P
TP
TP、
T
N
TN
TN、
F
P
FP
FP、
F
N
FN
FN
左半矩形是正样本(实心圆),右半矩形是负样本(空心圆)。图中的圆为二分类器,分类器认为圆内是正样本,圆外是负样本。
假设正样本为脑肿瘤,负样本为正常脑组织,则有如下:
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,正确检测部分。
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
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,误检部分。
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,漏检部分。
1. Dice
Dice 系数是一种评估相似度的函数,通常用于计算两个样本的相似度或者重叠度,值的范围在 0~1,分割结果最好时值为1。
Dice
(
P
,
T
)
=
∣
P
1
∧
T
1
∣
(
∣
P
1
∣
+
∣
T
1
∣
)
/
2
⇔
Dice
=
2
T
P
F
P
+
2
T
P
+
F
N
\operatorname{Dice}(P, T)=\frac{\left|P_1 \wedge T_1\right|}{\left(\left|P_1\right|+\left|T_1\right|\right) / 2} \Leftrightarrow \text { Dice }=\frac{2 T P}{F P+2 T P+F N}
Dice(P,T)=(∣P1∣+∣T1∣)/2∣P1∧T1∣⇔ Dice =FP+2TP+FN2TP
T
P
TP
TP:True Postive,预测正确的部分,红色部分
F
P
FP
FP:False Postive,误检的部分,绿色部分
F
N
FN
FN:False Negative,漏检的部分,蓝色部分
2. IoU
IOU,Intersection over Union,交并比
I
o
U
=
T
P
F
P
+
T
P
+
F
N
IoU=\frac{T P}{F P+T P+F N}
IoU=FP+TP+FNTP
3. ROC曲线
⭐ 灵敏度 Sensitivity
有病的人中,能检出来有病的人,越大越好
Sensitivity = T P T P + F N \text { Sensitivity }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} Sensitivity =TP+FNTP
⭐ 特异性 Specificity
没病的人中,能检测出没病的人,越大越好
Specificity = T N T N + F P \text { Specificity }=\frac{\mathrm{TN}}{\mathrm{TN}+\mathrm{FP}} Specificity =TN+FPTN
⭐ 约登指数:敏感度 + 特异度 - 1
⭐ 案例:选择不同的阈值得到不同的敏感度和特异度。灵敏度升高,特异度就会降低;灵敏度下降,特异度就会升高。
⭐ ROC曲线
ROC曲线图是反映敏感性与特异性之间关系的曲线。横坐标 X 轴为 1 – 特异性
,也称为假阳性率(误报率),X 轴越接近零准确率越高;纵坐标 Y 轴为敏感度
,也称为真阳性率(敏感度),Y轴越大代表准确率越好。
参考: