图像分割评判系数整理（基础）

(Medical segmentatiion) Basic Concepts 基本概念

Semantic Segmentation Loss Functions 语义分割损失函数

• BCEWithLogitsLoss (binary cross-entropy): 二元交叉熵

• • 可以指定权重，用于解决类别不平衡问题(one can specify class weights via the weight: [w_1, …, w_k] in the loss section of the config. This is useful when the dataset is imbalanced, i.e. one class has at least 3 orders of magnitude more voxels than the others)
• • 笔记：当输入非常大或非常小时，此损失函数在数值上不稳定。使用BCELoss代替。
• • 公式:

• $$-\frac{1}{N}\sum _{i=1}^N(y_i\log (\sigma (x_i))+(1-y_i)\log (1-\sigma (x_i)))$$

• DiceLoss : Dice损失

• • 标准的DiceLoss用于二元语义分割：standard DiceLoss defined as 1 - DiceCoefficient used for binary semantic segmentation;
• • 当真值中存在2个以上的类别时：when more than 2 classes are present in the ground truth, it computes the DiceLoss per channel and averages the values
• • 公式:

• $$1-\frac{2TP}{2TP+FP+FN}$$

• BCEDiceLoss : BCE和Dice损失

• • 线性组合的BCE和Dice损失：Linear combination of BCE and Dice losses, i.e. alpha * BCE + beta * Dice, alpha, beta can be specified in the loss section of the config.(beta可以在配置的损失部分中指定。)
• • 公式:

• $$-\frac{1}{N}\sum _{i=1}^N(y_i\log (\sigma (x_i))+(1-y_i)\log (1-\sigma (x_i)))+(1-\frac{2TP}{2TP+FP+FN})$$

• CrossEntropyLoss: 交叉熵损失

• • one can specify class weights via the weight: [w_1, …, w_k] in the loss section of the config
• • 笔记：当输入非常大或非常小时，此损失函数在数值上不稳定。使用NLLLoss代替。
• • 公式:

• $$-\frac{1}{N}\sum _{i=1}^N\sum _{j=1}^k{y}_{ij}\log (\sigma (x_{ij}))$$

• PixelWiseCrossEntropyLoss: 交叉熵损失（像元尺度）

• • one can specify per pixel weights in order to give more gradient to the important/under-represented regions in the ground truth
• • 公式:

• $$-\frac{1}{N}\sum _{i=1}^N\sum _{j=1}^k{w}_{ij}{y}_{ij}\log (\sigma (x_{ij}))$$

• WeightedCrossEntropyLoss: 交叉熵损失（加权）

• • see ‘Weighted cross-entropy (WCE)’ in the below paper for a detailed explanation
• • 公式:

• $$-\frac{1}{N}\sum _{i=1}^N\sum _{j=1}^k{w}_j{y}_{ij}\log (\sigma (x_{ij}))$$

• GeneralizedDiceLoss: 一般化的Dice损失

• • Note: use this loss function only if the labels in the training dataset are very imbalanced e.g. one class having at least 3 orders of magnitude more voxels than the others. Otherwise use standard DiceLoss.
• • 笔记：如果训练数据集中的标签非常不平衡（例如，一个类别的体素数量比其他类别的体素数量多至少3个数量级），则仅在这种情况下使用此损失函数。否则使用标准的DiceLoss。
• • 公式:

• $$\frac{1}{N}\sum _{i=1}^N\sum _{j=1}^k\frac{2|X_i\cap Y_i|}{|X_i|+|Y_i|}$$

For a detailed explanation of some of the supported loss functions see: Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations.

Semantic Segmentation Evaluation Metrics 语义分割评估指标

• MeanIoU: 平均交并比

• • mean intersection over union
• • 公式:

• $$\frac{1}{N}\sum _{i=1}^N\frac{TP}{TP+FP+FN}$$

• DiceCoefficient: Dice系数

• • computes per channel Dice Coefficient and returns the average.
• • 公式:

• $$\frac{2TP}{2TP+FP+FN}$$

• ConfusionMatrix: 混淆矩阵

  Ground Truth	Prediction	TP	FP	FN	TN
  0	0	1	0	0	0
  0	1	0	1	0	0
  1	0	0	0	1	0
  1	1	1	0	0	0

• • TP: True Positive, FP: False Positive, FN: False Negative, TN: True Negative
• • TP: 真正例，FP: 假正例，FN: 假负例，TN: 真负例
• • precision: 精确度 = TP / (TP + FP)
• • recall: 召回率 = TP / (TP + FN)

• F1 Score: F1分数

• • 公式:

• $$\frac{2TP}{2TP+FP+FN}$$

• • F1 Score is the harmonic mean of precision and recall
• • F1分数是精确度和召回率的调和平均值
• • 公式:

• $$\frac{2}{\frac{1}{precision}+\frac{1}{recall}}$$

• • F1 score VS. Dice Coefficient: F1 score is more sensitive to false positives, while Dice Coefficient is more sensitive to false negatives. In general, F1 score is more robust to class imbalance.
• • F1分数 VS. Dice系数：F1分数对假正例更敏感，而Dice系数对假负例更敏感。一般来说，F1分数对类别不平衡更加稳健。