1-图像分割评价指标

这里讲解肝脏肿瘤分割任务中用到的几个评价指标$IoU、Dice、Recall、Acc$。其中$A代表真实标注区域，B代表模型预测区域$。

1.$交并比IoU$

$IoU$的计算公式为：$IoU = \frac{|A \cap B|}{A \cup B}$其中分子代表的是真实标注和模型预测的交集面积，即重叠区域。分母代表真实标注和模型预测的并集面积。具体解释为：衡量标注数据集和模型预测的肿瘤区域之间有多大的重合程度，更关注预测和标注的重叠，注重局部精度，对边缘和细节分割更加敏感，反应分割结果的准确性和覆盖度，也就是衡量模型预测结果“精不精”能力的。

2.$Dice$系数

$Dice$系数的计算公式为：$IoU = \frac{2|A \cap B|}{|A + B|}$ 其中分子代表真实标注和模型预测的交集面积的两倍，也就是重叠区域的两倍。分母代表真实标注和模型预测两者的面积总和。总的来说这个指标是“相似度”的度量，反映的是预测和标注之间的相似程度，也就是衡量模型预测结果“像不像”能力的。

3.召回率$Recall$

$Recall$系数计算公式为：$\frac{TP}{(TP+FP)}$ 其中$TP$代表的是模型正确预测的样本数，$FN$是模型错误预测为错误的样本数。举例来说就是，如果真实标注中有10个肿瘤区域，模型正确预测对了8个，那召回率就是80%，可以表示模型在某个分类上的识别能力强弱，指标越高表示分类正确的能力越强。

4.准确率$Acc$

$Acc$的计算公式为：$\frac {TP+TN}{TP+FN+FP+TN}$ 该指标代表的就是模型正确预测的像素点比例，包括肿瘤和非肿瘤的像素比例。综合考虑了识别为肿瘤和非肿瘤的两个能力。简单来说就是模型预测的“准不准”。

5.总结

可以发现$Dice和IoU$是非常相似的两个指标，但是又有着区别，$IoU$更加关注的是局部细节和纹理，对模型的边缘分割和细节处理要求较高。$Dice$更加关注整体的相似度，也就是形状大致的相似程度。放到肿瘤识别中就是$Dice$检验识别肿瘤的大致形状，$IoU$识别肿瘤的整体细节。

而$Acc和Recall$也是非常相似的两个指标，同时也有着区别，$Recall$关注的是模型识别肿瘤正确能力，也就是正向识别能力，都是通过像素点来判断，但是$Recall$关注的是正向的像素点。而$Acc$关注的是模型识别肿瘤和非肿瘤的能力。