[发明专利]一种对数字全幅组织病理图像分割模型进行评估的方法

说明书

一种对数字全幅组织病理图像分割模型进行评估的方法，其包括如下步骤：S100：提出高密度假阳率MAFaR指标，用于度量由数字全幅组织病理图像的分割算法生成的受影响假阳性FP区域；S200：采用所述MAFaR完成对数字全幅组织病理图像分割模型的性能进行评估。该方法将通过引入MAFaR的概念，提出一个容易解释的直观指标用于评估分割模型的性能，使得能够正确反映真实的训练模型的分割性能。

技术领域

本公开属于医学图像处理、人工智能技术领域，特别涉及一种对数字全幅组织病理图像分割模型进行评估的方法。

背景技术

近年来，随着信息技术的飞速发展和人工智能的广泛普及，计算机视觉也得到了飞速发展。图像分割是图像识别和计算机视觉至关重要的预处理步骤，作为计算机视觉领域的热门话题，其广泛应用于实际生活中的各个领域，例如人脸识别、自动驾驶系统、行人监测和基于内容的图像检索系统等等。

图像分割是指根据灰度、颜色、纹理、几何形状等特征将图像划分为若干不相交的区域，使这些特征在同一分割区域内保持一致或相似，而在不同分割区域之间表现出明显的差异。大量的计算机视觉任务通常依赖于正确的分割结果。然而，分割结果往往受到物体大小、图像对比度和图像分辨率变化等的影响。迄今为止，研究人员在开发针对不同场景下不同类型图像的分割算法方面做出了大量努力。在开发分割算法的过程中，使用合适的评估指标至关重要，因为这些评估指标以客观的方式评估和比较不同算法间的性能。

经过多年的研究，研究者们已经提出了许多度量指标用于评估图像分割算法的性能。以下的内容都是基于二元分割的前提，在二元分割的背景下，我们可以构造一个混淆矩阵用于计算模型生成的分割结果(MGSR)图像中所包含的True Positive(TP)、TrueNegative(TN)、False Positive(FP)和False Negative(FN)像素的数量。在一幅MGSR图像中，我们将物体区域(前景)称为阳性区域，将相对应的背景区域称为阴性区域。混淆矩阵中的基本概念定义如下：TP和TN分别代表MGSR中正确分割的物体/阳性区域和背景/阴性区域，FP和FN分别代表MGSR中错误分割的物体/阳性区域和背景/阴性区域。

首先，我们简单描述一下流行的分割评估指标。

基于重叠度的度量指标包括：

准确率(Accuracy)：准确率是MGSR中正确分割的像素数在整幅图像中所占的比例。准确率的取值范围为[0，1]，其中1表示完美分割，0表示MGSR中没有一个像素被正确分割。准确率的定义如下：

当一幅图像中阳性和阴性类别的数据量不平衡时，准确率这一指标会对分割模型的性能评估产生很大的影响。例如，如果图像中阴性像素的数量占主导地位，即阴性像素的数量远高于阳性像素，即使MGSR中正确分类的阳性像素数量为零，即TP＝0，准确率的值也非常高，在这种情况下，该指标并没有正确反映出分割模型的真实性能。不幸的是，在实践中，具有不平衡类别的数据非常常见，尤其是在医学图像的背景下。

特异性(Specificity)：特异性度量的是标注图像(ground truth，GT)中的阴性像素在MGSR中也被识别为阴性像素的数量在GT中所有阴性像素中所占的比例。该指标的取值范围为[0，1]，其中1表示完美分割。特异性的定义如下：

当MGSR中包含大量TN像素时，意味着大部分背景区域被正确分割，因此该指标将获得一个很高的分数，但其忽略了MGSR图像中的阳性区域是否被正确分割，当MGSR中包含大量的FN区域时，表明该模型的分割性能并不好，因此，在这种情况下，特异性并没有真正反映出模型的性能。