Coefficiente di dadi e metriche di segmentazione

Per una regione prevista A e una regione di riferimento B, i dadi hanno la dimensione doppia della loro intersezione divisa per la somma delle loro dimensioni. Per le maschere binarie è 2TP diviso per 2TP più FP più FN. Un punteggio pari a uno indica maschere identiche non vuote, mentre zero indica nessuna sovrapposizione. Dice enfatizza la sovrapposizione ed è correlato all'indice Jaccard, chiamato anche intersezione sull'unione: Dice è uguale a due IoU diviso per uno più IoU. La sovrapposizione è solo un aspetto della qualità della segmentazione. Due maschere possono ottenere dadi simili pur avendo errori di confine diversi, in particolare quando il bersaglio è grande e un piccolo spostamento del contorno influisce su relativamente pochi pixel. La distanza di Hausdorff misura la più grande separazione del confine più vicino tra i due contorni, rendendola sensibile a un singolo errore distante. Varianti come la distanza di Hausdorff percentile riducono tale sensibilità utilizzando un quantile elevato, ma devono essere nominate con precisione. L'aggregazione è importante. La media per caso pondera equamente i casi. Raggruppare i casi in base ai loro denominatori di dadi, 2TP più FP più FN, in modo che le grandi regioni in primo piano o il conteggio degli errori possano dominare. Nelle attività multiclasse, i riepiloghi macro, micro, ponderati e per classe possono raccontare storie diverse. Lo sfondo può dominare il conteggio dei pixel, quindi chiarisci se è incluso. Anche le maschere di riferimento o previsione vuote necessitano di una convenzione documentata perché la formula potrebbe essere indefinita quando entrambe sono vuote. Lo squilibrio di classe non scompare solo perché Dice si concentra sulla sovrapposizione. Una piccola lesione mancata può avere grande importanza per un medico e allo stesso tempo contribuire poco al punteggio globale del set di dati. Riporta il comportamento per caso e per classe e seleziona metriche complementari in base all'uso previsto. Le distanze dai confini dovrebbero tenere conto della spaziatura dei voxel e delle unità di coordinate; altrimenti un errore voxel ha un significato fisico diverso tra le scansioni. Le metriche confrontano le maschere; non stabiliscono la correttezza o l’utilità clinica. Definire il protocollo di annotazione, la soglia o la regola di discretizzazione e l'unità di valutazione. Per usi consequenziali, rivedere i fallimenti rappresentativi e discutere le tolleranze clinicamente significative con esperti del settore.