[發明專利]一種對數字全幅組織病理圖像分割模型進行評估的方法

在審

• 申請號: 202110945693.1
• 申請日: 2021-08-17
• 公開（公告）號: CN113658139A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 陸鋮;王昭;馮乾瑜;王亮;艾茂良
• 申請（專利權）人: 陜西師范大學;山東駿騰醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/13;G06T7/136;G06K9/62
• 代理公司: 北京前審知識產權代理有限公司 11760
• 代理人: 張波濤;尹秀峰

一種對數字全幅組織病理圖像分割模型進行評估的方法，其包括如下步驟：S100：提出高密度假陽率MAFaR指標，用于度量由數字全幅組織病理圖像的分割算法生成的受影響假陽性FP區域；S200：采用所述MAFaR完成對數字全幅組織病理圖像分割模型的性能進行評估。該方法將通過引入MAFaR的概念，提出一個容易解釋的直觀指標用于評估分割模型的性能，使得能夠正確反映真實的訓練模型的分割性能。

技術領域

本公開屬于醫學圖像處理、人工智能技術領域，特別涉及一種對數字全幅組織病理圖像分割模型進行評估的方法。

背景技術

近年來，隨著信息技術的飛速發展和人工智能的廣泛普及，計算機視覺也得到了飛速發展。圖像分割是圖像識別和計算機視覺至關重要的預處理步驟，作為計算機視覺領域的熱門話題，其廣泛應用于實際生活中的各個領域，例如人臉識別、自動駕駛系統、行人監測和基于內容的圖像檢索系統等等。

圖像分割是指根據灰度、顏色、紋理、幾何形狀等特征將圖像劃分為若干不相交的區域，使這些特征在同一分割區域內保持一致或相似，而在不同分割區域之間表現出明顯的差異。大量的計算機視覺任務通常依賴于正確的分割結果。然而，分割結果往往受到物體大小、圖像對比度和圖像分辨率變化等的影響。迄今為止，研究人員在開發針對不同場景下不同類型圖像的分割算法方面做出了大量努力。在開發分割算法的過程中，使用合適的評估指標至關重要，因為這些評估指標以客觀的方式評估和比較不同算法間的性能。

經過多年的研究，研究者們已經提出了許多度量指標用于評估圖像分割算法的性能。以下的內容都是基于二元分割的前提，在二元分割的背景下，我們可以構造一個混淆矩陣用于計算模型生成的分割結果(MGSR)圖像中所包含的True Positive(TP)、TrueNegative(TN)、False Positive(FP)和False Negative(FN)像素的數量。在一幅MGSR圖像中，我們將物體區域(前景)稱為陽性區域，將相對應的背景區域稱為陰性區域?；煜仃囍械幕靖拍疃x如下：TP和TN分別代表MGSR中正確分割的物體/陽性區域和背景/陰性區域，FP和FN分別代表MGSR中錯誤分割的物體/陽性區域和背景/陰性區域。

首先，我們簡單描述一下流行的分割評估指標。

基于重疊度的度量指標包括：

準確率(Accuracy)：準確率是MGSR中正確分割的像素數在整幅圖像中所占的比例。準確率的取值范圍為[0，1]，其中1表示完美分割，0表示MGSR中沒有一個像素被正確分割。準確率的定義如下：

當一幅圖像中陽性和陰性類別的數據量不平衡時，準確率這一指標會對分割模型的性能評估產生很大的影響。例如，如果圖像中陰性像素的數量占主導地位，即陰性像素的數量遠高于陽性像素，即使MGSR中正確分類的陽性像素數量為零，即TP＝0，準確率的值也非常高，在這種情況下，該指標并沒有正確反映出分割模型的真實性能。不幸的是，在實踐中，具有不平衡類別的數據非常常見，尤其是在醫學圖像的背景下。

特異性(Specificity)：特異性度量的是標注圖像(ground truth，GT)中的陰性像素在MGSR中也被識別為陰性像素的數量在GT中所有陰性像素中所占的比例。該指標的取值范圍為[0，1]，其中1表示完美分割。特異性的定義如下：

當MGSR中包含大量TN像素時，意味著大部分背景區域被正確分割，因此該指標將獲得一個很高的分數，但其忽略了MGSR圖像中的陽性區域是否被正確分割，當MGSR中包含大量的FN區域時，表明該模型的分割性能并不好，因此，在這種情況下，特異性并沒有真正反映出模型的性能。