AI夏令营-CV学习笔记-脑PET图像分析和疾病预测挑战赛-CSDN博客

$\begin{aligned} & \text { Precision }=\frac{T P}{T P+F P} \\ & \text { Recall }=\frac{T P}{T P+F N} \\ & \text { F1-score }=\frac{2 \times \text { Precision } \times \text { Recall }}{\text { Precision+Recall }}\end{aligned}$

True Positive (TP): 把正样本成功预测为正。

True Negative (TN)：把负样本成功预测为负。

False Positive (FP)：把负样本错误地预测为正。

False Negative (FN)：把正样本错误的预测为负。

Precision着重评估：在预测为Positive的所有数据中，真实Positve的数据到底占多少。

Recall着重评估：在所有的Positive数据中，到底有多少数据被成功预测为Positive。

Baseline 介绍

1、导入所需的库

glob库，用来查找文件目录和文件，并将搜索的到的结果返回到一个列表中。

numpy库，用于数值计算。

pandas库，用于数据处理。

nibabel库，用于读写医学影像。

OrthoSlicer3D库，用于图像可视化。

第一次使用nibabel库，简单补充一下nibabel用法。

导包	import nibabel as nib
加载图片	nib.load(path)

2、图像格式解读

数据格式(128,128，63，1)表示一个四维数据，其中每个维度的含义如下：

第一个维度:大小为128,表示数据的x轴维度，通常对应于图像的宽度。

第二个维度:大小为128，表示数据的y轴维度，通常对应于图像的高度。

第三个维度:大小为63，表示数据的z轴维度，通常对应于图像的深度或切片数量。在医学图像中,这通常表示图像在空间中的不同层次或位置。

第四个维度:大小为1,表示数据的通道数。在这种情况下，通道数为1,表明这是一个单通道的图像或数据。对于RGB图像来说，通常会有3个通道(红、绿、蓝)。

综上所述，(128, 128, 63，1)表示一个大小为128x128的单通道三维图像数据，其中有63个切片(或层次)。这种数据格式常用于医学图像，如MRI (磁共振成像)和CT (计算机断层扫描)图像。每个切片都是一-个128x128的二维图像，共有63个切片，表示不同位置的横断面图像。每个像素点包含-一个灰度值，表示图像的强度或密度。