表面距离度量指标

概述

在比较多个图像分割结果时，评估表面贴合程度的性能指标可以作为一种有效的差异度量方法。这组基于表面距离的度量方法计算一个分割结果上所有表面点到另一个表面上各点的最短距离，并返回两者之间的性能指标。该距离可以与其他指标结合使用，将分割区域与金标准（ground truth）进行比较。

表面通过具有对应面积的表面元素（surface elements）来表示，从而实现更一致的表面度量近似。

包含的指标

本库为分割任务计算以下性能指标：

• Average surface distance（平均表面距离，参见 compute_average_surface_distance）
• Hausdorff distance（豪斯多夫距离，参见 compute_robust_hausdorff）
• Surface overlap（表面重叠率，参见 compute_surface_overlap_at_tolerance）
• Surface dice（表面Dice系数，参见 compute_surface_dice_at_tolerance）
• Volumetric dice（体积Dice系数，参见 compute_dice_coefficient）

安装

首先克隆仓库，然后通过 pip 安装依赖和 surface-distance 包：

$ git clone https://github.com/deepmind/surface-distance.git
$ pip install surface-distance/

使用

有关简单的使用示例，请参见 surface_distance_test.py。

surface-distance 快速上手指南

环境准备

• Python：3.6 或更高版本
• 系统要求：Linux、macOS 或 Windows
• 前置工具：Git、pip

安装步骤

通过 pip 直接从 GitHub 安装：

git clone https://github.com/deepmind/surface-distance.git
pip install surface-distance/

如需国内加速，可使用 GitHub 镜像源：

git clone https://hub.fastgit.org/deepmind/surface-distance.git
pip install surface-distance/

基本使用

以下是一个计算两个分割掩码之间表面距离的简单示例：

import numpy as np
from surface_distance import metrics

# 创建示例数据：ground truth 和预测分割掩码
gt_mask = np.zeros((100, 100, 100), dtype=bool)
gt_mask[30:70, 30:70, 30:70] = True

pred_mask = np.zeros((100, 100, 100), dtype=bool)
pred_mask[35:75, 35:75, 35:75] = True

# 计算表面距离指标
surface_distances = metrics.compute_surface_distances(
    gt_mask, pred_mask, spacing_mm=[1.0, 1.0, 1.0]
)

# 计算各项评估指标
avg_distance = metrics.compute_average_surface_distance(surface_distances)
hausdorff_95 = metrics.compute_robust_hausdorff(surface_distances, 95)
surface_dice_1mm = metrics.compute_surface_dice_at_tolerance(surface_distances, 1)
dice_coeff = metrics.compute_dice_coefficient(gt_mask, pred_mask)

print(f"平均表面距离: {avg_distance}")
print(f"95% Hausdorff距离: {hausdorff_95}")
print(f"1mm容差下的表面Dice系数: {surface_dice_1mm}")
print(f"体积Dice系数: {dice_coeff}")

更多使用示例请参考项目中的 surface_distance_test.py 文件。