医用图像分割评估指标指南的初步探讨

在过去十年中，人工智能研究在深度学习模型方面迅速增长，尤其是在医用图像分割领域。各种研究表明，这些模型具有强大的预测能力，并且达到了与临床医生相似的结果。然而，最近的研究揭示，图像分割研究中的评估缺乏可靠的模型性能评估，并且由于不正确的指标实施或使用，显示出统计偏倚。因此，本文提供了关于医用图像分割评估的以下指标的概述和解释指南，包括二元和多类问题：Dice 相似度系数、Jaccard、敏感性、特异性、Rand 指数、ROC 曲线、Cohen's Kappa 和 Hausdorff 距离。此外，讨论了评估中的常见问题，如类别不平衡和统计及解释偏倚。最后，我们提出了一个标准化的医用图像分割评估指南，以提高研究领域的评估质量、可重复性和可比性。