评价指标
0. 前置知识
⭐ P 1 P_1P1、P 0 P_0P0、T 1 T_1T1、T 0 T_0T0
P 1 P_1P1:预测的脑肿瘤区域
P 0 P_0P0:预测的正常脑区域
T 1 T_1T1:真实的脑肿瘤区域(Ground Truth)
T 0 T_0T0:真实的正常脑区域
⭐ T P TPTP、T N TNTN、F P FPFP、F N FNFN
左半矩形是正样本(实心圆),右半矩形是负样本(空心圆)。图中的圆为二分类器,分类器认为圆内是正样本,圆外是负样本。
假设正样本为脑肿瘤,负样本为正常脑组织,则有如下:
TP:True Positive,被判定为正样本,事实上也是正样本 ,即蓝色与红色的交集,正确检测部分。
TN:True Negative,被判定为负样本,事实上也是负样本,即红色与蓝色以外区域
FP:False Positive,被判定为正样本,但事实上是负样本,即红色中除了蓝色部分,误检部分。
FN:False Negative,被判定为负样本,但事实上是正样本,即蓝色中除了红色部分,漏检部分。
1. Dice
Dice 系数是一种评估相似度的函数,通常用于计算两个样本的相似度或者重叠度,值的范围在 0~1,分割结果最好时值为1。
Dice(P,T)=(∣P1∣+∣T1∣)/2∣P1∧T1∣⇔ Dice =FP+2TP+FN2TP
TP:True Postive,预测正确的部分,红色部分
F P FPFP:False Postive,误检的部分,绿色部分
F N FNFN:False Negative,漏检的部分,蓝色部分
2. IoU
IOU,Intersection over Union,交并比
IoU=FP+TP+FNTP
⭐ 灵敏度 Sensitivity
有病的人中,能检出来有病的人,越大越好
Sensitivity =TP+FNTP
⭐ 特异性 Specificity
没病的人中,能检测出没病的人,越大越好
Specificity =TN+FPTN
⭐ 约登指数:敏感度 + 特异度 - 1
⭐ 案例:选择不同的阈值得到不同的敏感度和特异度。灵敏度升高,特异度就会降低;灵敏度下降,特异度就会升高。
⭐ ROC曲线
ROC曲线图是反映敏感性与特异性之间关系的曲线。横坐标 X 轴为 1 – 特异性
,也称为假阳性率(误报率),X 轴越接近零准确率越高;纵坐标 Y 轴为敏感度
,也称为真阳性率(敏感度),Y轴越大代表准确率越好。
参考:
评论(0)
您还未登录,请登录后发表或查看评论