迈向医学图像分割评估指标指南
图像与视频处理
2022-02-14 v1 计算机视觉与模式识别
机器学习
摘要
在过去十年中，随着深度学习模型的发展，人工智能研究，尤其是在医学图像分割领域，取得了快速增长。各种研究表明，这些模型具有强大的预测能力，并取得了与临床医生相似的结果。然而，最近的研究揭示，图像分割研究中的评估缺乏可靠的模型性能评估，并因不正确的指标实现或使用而显示出统计偏差。因此，本工作为二分类和多分类问题中的医学图像分割评估提供了以下指标的概述和解读指南：Dice相似系数、Jaccard系数、灵敏度、特异度、Rand指数、ROC曲线、Cohen's Kappa系数和Hausdorff距离。作为总结，我们提出了一项标准化医学图像分割评估的指南，以提高该研究领域的评估质量、可重复性和可比性。
引用
@article{arxiv.2202.05273,
title = {Towards a Guideline for Evaluation Metrics in Medical Image Segmentation},
author = {Dominik Müller and Iñaki Soto-Rey and Frank Kramer},
journal= {arXiv preprint arXiv:2202.05273},
year = {2022}
}
备注
Source Code: https://github.com/frankkramer-lab/miseval.analysis