医学图像处理（一）——分割中常用的度量指标

偏执的太偏执、 2024-04-20 09:36 72阅读 0赞

下列参数主要参考自[MICCAI2007 ][MICCAI2007]  
\- 首先定义以下标识符:Vgt代表的是ground truth的分割结果,Vpred代表的是预测的分割结果.   
**- DICE**: 这个相信大家最熟悉,因为使用的频率应该是最多的.它的定义如下所示. 直观上来说代表的是两个体相交的面积占总面积的比值.完美分割该值为1. 【1】   
                                                                  ![20190920182938158.png][]

**GT（ground truth）图像**:我理解的就是含有理论分割结果的图像，用来和结果图像进行比较的参照图像。那么GT图像怎么来，一般通过专家手工勾画出来，得到理论值。当然为避免偶然性，你可以选择多个专家，得到多个GT分割结果，取各项评估参数的平均值。【2】

分割精度：个人理解就是分割准确的面积占GT图像中真实面积的百分比。找了半天找了这么个公式（如下）。

![Center][]

不难理解，其中Rs表示专家手工勾画出的分割图像的参考面积，Ts表示算法分割得到的图像的真实面积，|Rs-Ts|表示错误分割的像素点个数。

**过分割率**：即分割在GT图像参考面积之外的像素点的比率，计算公式如下：

![Center 1][]

含义同上，Os表示本不应该包含在分割结果中的像素点个数，实际却在分割结果中的像素点个数。换句话讲，Os中的像素点出现在实际分割图像中，但不出现在理论分割图像Rs中。

**欠分割率**：即分割在GT图像参考面积之中欠缺的像素点的比率，计算的公式如下：

![Center 2][]

含义同上，Us表示本应该包含在分割结果中的像素点个数，实际却不在分割结果中的像素点个数。换句话讲，Us中的像素点出现在理论分割图像中，但不出现在实际分割图像中。

代码（由于当时时间紧张，很多可以封装成函数）：

获得肝血管GT图像：

import pydicom
    from pylab import *
    import os
    import PIL.Image as image
    from Anisotropicdiffusion import *
     
    PathDicom = "./PATIENT_DICOM20/"  # 与python文件同一个目录下的文件夹
    lstFilesDCM1 = []
    number1 = 0
    for dirName, subdirList, fileList1 in os.walk(PathDicom):
        for filename in fileList1:
            lstFilesDCM1.append(os.path.join(dirName, filename))
            number1 += 1
     
    RefDs = pydicom.read_file(lstFilesDCM1[0])
    ConstPixelSpacing = (float(RefDs.PixelSpacing[0]), float(RefDs.PixelSpacing[1]), float(RefDs.SliceThickness))
    print(ConstPixelSpacing)
     
    PathDicom = "./liver20/"  # 与python文件同一个目录下的文件夹
    lstFilesDCM2 = []
    number2 = 0
    for dirName, subdirList, fileList2 in os.walk(PathDicom):
        for filename in fileList2:
            lstFilesDCM2.append(os.path.join(dirName, filename))
            number2 += 1
     
    PathDicom = "./artery20/"  # 与python文件同一个目录下的文件夹
    lstFilesDCM3 = []
    number3 = 0
    for dirName, subdirList, fileList3 in os.walk(PathDicom):
        for filename in fileList3:
            lstFilesDCM3.append(os.path.join(dirName, filename))
            number3 += 1
     
    PathDicom = "./portalvein20/"  # 与python文件同一个目录下的文件夹
    lstFilesDCM4 = []
    number4 = 0
    for dirName, subdirList, fileList4 in os.walk(PathDicom):
        for filename in fileList4:
            lstFilesDCM4.append(os.path.join(dirName, filename))
            number4 += 1
     
    PathDicom = "./venacava20/"  # 与python文件同一个目录下的文件夹
    lstFilesDCM5 = []
    number5 = 0
    for dirName, subdirList, fileList5 in os.walk(PathDicom):
        for filename in fileList5:
            lstFilesDCM5.append(os.path.join(dirName, filename))
            number5 += 1
     
    if number1 != number2:
        print("fileerro")
     
    for i in range(number1):
        dcm1 = pydicom.read_file(lstFilesDCM1[i])
        dcm1.image = dcm1.pixel_array * dcm1.RescaleSlope + dcm1.RescaleIntercept
        slices = []
        slices.append(dcm1)
        img1 = slices[int(len(slices) / 2)].image.copy()
     
        dcm2 = pydicom.read_file(lstFilesDCM2[i])
        dcm2.image = dcm2.pixel_array * dcm2.RescaleSlope + dcm2.RescaleIntercept
        slices = []
        slices.append(dcm2)
        img2 = slices[int(len(slices) / 2)].image.copy()
     
        dcm3 = pydicom.read_file(lstFilesDCM3[i])
        dcm3.image = dcm3.pixel_array * dcm3.RescaleSlope + dcm3.RescaleIntercept
        slices = []
        slices.append(dcm3)
        img3 = slices[int(len(slices) / 2)].image.copy()
     
        dcm4 = pydicom.read_file(lstFilesDCM4[i])
        dcm4.image = dcm4.pixel_array * dcm4.RescaleSlope + dcm4.RescaleIntercept
        slices = []
        slices.append(dcm4)
        img4 = slices[int(len(slices) / 2)].image.copy()
     
        dcm5 = pydicom.read_file(lstFilesDCM5[i])
        dcm5.image = dcm5.pixel_array * dcm5.RescaleSlope + dcm5.RescaleIntercept
        slices = []
        slices.append(dcm5)
        img5 = slices[int(len(slices) / 2)].image.copy()
     
        img = np.zeros((512, 512))
        img30 = np.zeros((512, 512))
        img40 = np.zeros((512, 512))
        img50 = np.zeros((512, 512))
        height, width = img2.shape
        for k in range(height):
            for j in range(width):
                if img2[k, j] != 0:
                    img2[k, j] = 1
                if img3[k, j] != 0:
                    img3[k, j] = 1
                if img4[k, j] != 0:
                    img4[k, j] = 1
                if img5[k, j] != 0:
                    img5[k, j] = 1
                img1[k, j] *= img2[k, j]
                img30[k, j] = img1[k, j]*img3[k, j]
                img40[k, j] = img1[k, j]*img4[k, j]
                img50[k, j] = img1[k, j]*img5[k, j]
                img[k, j] = img30[k, j]+img40[k, j]+img50[k, j]
     
        img = np.uint8(img)
        img6 = image.fromarray(img)
        filename = "D:/Pychram/liverpicture/mask_" + fileList1[i] + ".png"
        img6.save(filename)
        print(i)

计算**分割精度：**

import os
    import PIL.Image as Image
    from Anisotropicdiffusion import *
     
    PathDicom = "C:\\Users\\LCSH\\Desktop\\Pychram\\liverpicture"  # 与python文件同一个目录下的文件夹
    lstFilesDCM1 = []
    number1 = 0
    for dirName, subdirList, fileList1 in os.walk(PathDicom):
        for filename in fileList1:
            lstFilesDCM1.append(os.path.join(dirName, filename))
            number1 += 1
     
    PathDicom = "C:\\Users\\LCSH\\Desktop\\Pychram\\liverpicture1"  # 与python文件同一个目录下的文件夹
    lstFilesDCM2 = []
    number2 = 0
    for dirName, subdirList, fileList2 in os.walk(PathDicom):
        for filename in fileList2:
            lstFilesDCM2.append(os.path.join(dirName, filename))
            number2 += 1
     
    p = 0
    for i in range(number1):
        img = Image.open(lstFilesDCM1[i])
        img1 = img.load()
        img = Image.open(lstFilesDCM2[i])
        img2 = img.load()
     
        f = h = 0
        height, width = img.size
        for k in range(height):
            for j in range(width):
                if img1[k, j] > 0:
                   f += 1
                if img1[k, j] > 0 and img2[k, j] == 0:
                   h += 1
        g = h/f
        p += g
        print(i)
    L = p / number1
    print(L)

\- VOE: volumetric overlap error（体积重叠误差）. 这个和DICE比较类似,它的定义如下所示, 相比于DICE它将and操作换成了减法操作以此来代表错误率   
                                                                       ![20190920183031479.png][]

\- RVD: relative volume difference（ 相对体积差）. 这个代表的是Vpred和Vgt体积之间的差异,它的定义如下所示:   
                                                                         ![20190920183052802.png][]

\- ASD: average symmetric surface distance（平均对称表面距离）. 这个的定义相比前几个略为复杂一些. 我们先定义Apred代表的是预测的Vpred中的边界的像素,同样的我们可以得到Agt的定义.然后我们对Bpred的定义如下.同理我们可以得到Bgt的定义.那么ASD的定义也就如下所示.   
                                                   ![20190920183114246.png][]

\- MSD: maximum symmetric surface distance（最大对称表面距离）. 这个定义和ASD定义比较类似,只不过把计算平均的操作替换成了计算最大值的操作.

转自：

【1】[医学图像分割中常用的度量指标][Link 1]

【2】[图像分割结果的评估---DICE参数][---DICE]

[MICCAI2007]: http://mbi.dkfz-heidelberg.de/grand-challenge2007/sites/eval.htm
[20190920182938158.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/50fc1e2ee9694b53bb23f117d3096d74.png
[Center]: https://img-blog.csdn.net/20161101002334400?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center
[Center 1]: https://img-blog.csdn.net/20161101002459046?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center
[Center 2]: https://img-blog.csdn.net/20161101002503838?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center
[20190920183031479.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/c6c1b68b9aff44669ce8044f29e4ea77.png
[20190920183052802.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/43a3f8012b424bd487040183f532dd84.png
[20190920183114246.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/fb38521af8794cf799ba162a9ce02d61.png
[Link 1]: https://blog.csdn.net/liangdong2014/article/details/80573234
[---DICE]: https://blog.csdn.net/qq_38784098/article/details/82216995