每个组件都很重要：针对医学语义分割中的多实例分割任务重新思考成功度量标准
计算机视觉与模式识别
2024-10-25 v1
摘要
我们提出 Connected-Component（CC）度量，一种新颖的语义分割评估协议，旨在将现有语义分割度量标准与每个连通组件都很重要的多实例检测场景对齐。在常见的医学场景中，即全身 PET/CT 上的语义转移灶分割中，我们展示了现有语义分割度量标准存在偏差，倾向于较大的连通组件，这与临床评估扫描时肿瘤大小与临床相关性不相关的事实相矛盾。为重新平衡现有分割度量标准，我们提出在每个组件上对其进行评估，从而使每个肿瘤的权重与其大小无关。为将预测结果与真实标签分割匹配，我们采用基于距离的匹配准则，在感兴趣组件处对常见度量标准进行局部评估。使用这一方法，我们摆脱了 Dice 或表面 Dice 等基于重叠度量标准对于大转移灶引入的偏差。CC 度量还改进了 Hausdorff 距离这类基于距离的度量标准，这些度量标准对不影响最大或第 95 百分位的小变化缺乏信息，并且避免了将计数基度量标准与基于重叠度量标准直接组合（如 Panoptic Quality 所做）所带来的陷阱。
引用
@article{arxiv.2410.18684,
title = {Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks},
author = {Alexander Jaus and Constantin Seibold and Simon Reiß and Zdravko Marinov and Keyi Li and Zeling Ye and Stefan Krieg and Jens Kleesiek and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2410.18684},
year = {2024}
}