1 Dice Score

是医学图像分割结果衡量的常用指标。代表的是ground truth的分割结果，Vpr代表的是预测的分割结果。直观上理解，如下图，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。参考1; wiki

（2*预测正确的结果）/(真实结果+预测结果）

def dice_coef_theoretical(y_pred, y_true):
   """
   Define the dice coefficient
   Args:
   y_pred: Prediction
   y_true: Ground truth Label
   Returns:
   Dice coefficient
   """
 
    y_true_f = tf.cast(tf.reshape(y_true, [-1]), tf.float32)
 
    y_pred_f = tf.nn.sigmoid(y_pred)
    y_pred_f = tf.cast(tf.greater(y_pred_f, 0.5), tf.float32)
    y_pred_f = tf.cast(tf.reshape(y_pred_f, [-1]), tf.float32)
 
    intersection = tf.reduce_sum(y_true_f * y_pred_f)
    union = tf.reduce_sum(y_true_f) + tf.reduce_sum(y_pred_f)
    dice = (2. * intersection) / (union + 0.00001)
 
    if (tf.reduce_sum(y_pred) == 0) and (tf.reduce_sum(y_true) == 0):
        dice = 1
 
    return dice

reference

在介绍三种方法之前，需要先说明一些符号表示的意义。

• k：类别总数，如果包括背景的话就是k+1
• Pij：真实像素类别为 i 的像素被预测为类别 j 的总数量，换句话说，就是对于类别为 i 的像素来说，被错分成类别j 的数量有多少。
• Pii ：真实像素类别为 i 的像素被预测为类别 i 的总数量，换句话说，就是对于真实类别为 i 的像素来说，分对的像素总数有多少。

2 像素准确率（pixel accuracy, PA）

PA和我们常规的分类准确率计算没有区别，就是把分对的像素总量除以像素总数。

image.png

3 平均像素准确率（mean pixel accuracy, MPA）

MPA是对PA的改进，它是先对每个类计算PA，然后再对所有类的PA求平均。 image.png

4 平均IOU（Mean Intersection over Union, MIOU ）

在语义分割中，MIoU才是标准的准确率度量方法。它是分别对每个类计算（真实标签和预测结果的交并比）IOU，然后再对所有类别的IOU求均值。 image.png