Familie von Grenzüberlappungsmetriken zur Bewertung der medizinischen Bildsegmentierung

Alle medizinischen Bildsegmentierungsalgorithmen müssen validiert und verglichen werden, doch es gibt kein allgemein anerkanntes Evaluierungsrahmenwerk innerhalb der Imaging-Community. Keine der in der Literatur populären Evaluierungsmetriken ist konsistent in der Art und Weise, wie sie Segmentierungsergebnisse bewerten: Sie sind empfindlich gegenüber der einen oder anderen Art von Segmentierungsfehler (Größe, Lage und Form), aber keine einzelne Metrik deckt alle Fehlertypen ab. Wir stellen eine Familie von Metriken mit hybriden Eigenschaften vor. Diese Metriken quantifizieren die Ähnlichkeit oder den Unterschied von segmentierten Regionen, indem sie ihre durchschnittliche Überlappung in benachbarten Punkten fester Größe an den Grenzen dieser Regionen berücksichtigen. Unsere Metriken sind empfindlicher gegenüber Kombinationen von Segmentierungsfehlerarten als andere Metriken in der bestehenden Literatur. Wir vergleichen die Metrikleistung anhand von Sammlungen von Segmentierungsergebnissen, die aus sorgfältig zusammengestellten zweidimensionalen synthetischen Daten und dreidimensionalen medizinischen Bildern stammen. Wir zeigen, dass unsere Metriken: (1) Fehler erfolgreich bestrafen, insbesondere die an den Rändern der Regionen; (2) eine niedrige Ähnlichkeitsbewertung geben, wenn bestehende Metriken nicht übereinstimmen, und so übermäßig hohe Werte vermeiden; und (3) Segmentierungsergebnisse über einen breiteren Wertebereich bewerten. Wir analysieren eine repräsentative Metrik aus dieser Familie und den Einfluss ihres freien Parameters auf die Fehlerempfindlichkeit und die Laufzeit.