图像分割评价指标

对于图像分割，首先可能会想到TP（True Positives）， TN(True Negatives)， FP(False Positives)，FN(False Negatives)这几个单词，但实际上由他们几个单词组成的混淆矩阵（confusion matrix）才是重点。

真实	预测
	正例	反例
正例	TP	FN
反例	FP	TN

1、准确率（accuracy）,精确率（Precision），召回率（Recall）。

公式Accuraccy，对应语义分割中的像素准确率PA，它描述的是预测结果中，正确的占总预测值的比例。

公式Precision，它也叫查准率，它描述的是预测结果中某类别预测正确的概率。

公式Recall，他也叫查全率，它描述的是真实值中某类别被预测正确的概率。

2、IOU（Intersection over Union），他表示模型对于某一类别预测结果和真实值的交集和并集的比值。对于目标检测来说，就是检测框与真实框之间的交并比；对于图像分割来说，就是预测mask与真实mask之间的交并比。

所以计算公式为：

举个iou计算例子[1],下图可见：

 

3、通常在三维医学图像分割中，对于模型的评价指标是Dice（Dice similarity coefficient）也称为F1-Score。

但实际上该公式是由两个公式得到，即真阳性率（TPR）和阳性预测值（PPV）的调和平均数（harmonic mean）得到：

发现其实和IOU有一点相似，我们可以在改写一下：

这样就比较清楚了。发现可以建立Dice和IOU之间的关系。相比较IOU，DIce可以获得一个更高的指标分数（啊，这，难道就是为了好看吗？可能不能这样理解，在实际的实验中，Dice损失函数明显更好）。当IOU=0.925时，Dice=0.961.

 Dice系数的实现：

def dice_coeff(pred, target):
    smooth = 1.
    num = pred.size(0)
    m1 = pred.view(num, -1)  # Flatten
    m2 = target.view(num, -1)  # Flatten
    intersection = (m1 * m2).sum()
 
    return (2. * intersection + smooth) / (m1.sum() + m2.sum() + smooth)

注：调和平均数：调和平均数是将所有数值取倒数并求其算术平均数后，再将此算术平均数取倒数而得，其结果等于数值的个数除以数值倒数的总和。

比如求x1和x2两个数的调和平均数H：