关于医学图像分割常用的一些评价标准
最近进了上交的一个组里帮忙做一些图像分割的工作，加上自己毕业论文也是医学图像这一块的，就有心把脑子里的知识做一下梳理，方便记忆。
如图1所示，A代表金标准，B代表现实。
1、TP (True Positive，正确肯定)：预测为目标像素，实际为目标像素的数量。
2、FP (False Positive，错误肯定)：预测为目标像素，实际为背景像素的数量。
3、TN (True Negative，正确否定)：预测为背景像素，实际为背景像素的数量。
4、FN (False Negative，错误否定)：预测为背景像素，实际为目标像素的数量。
Dice系数：
Dice global的计算方式是把测试集样本dice系数的分子的累加除以测试集样本dice系数分母的累加
Jaccard（杰卡德系数）：
FPR（过分割率、假阳性率 False positive rate）：
VOE（体素重叠误差 Volumetric Overlap Error）：
RVD（体素相对误差 Relative Volume Difference，也称为VD）： 
ASD（对称位置的平均表面距离 Average Symmetric Surface Distance，也被称为ASSD、AvgD）：
其中S（A）代表A集合中的表面体素d（v， S(A)）表示任意体素到S（A）的最短距离
这里特别提一下真阳率假阳率的问题。这原本是由医学上发展而来的。
假阳率FPR（False positive rate）：FPR = FP/(FP+TN) 负样本中，被识别为真的概率
真阳率TPR（True positive rate）：TPR = TP/（TP+FN） 正样本中，能被识别为真的概率
ROC曲线（Receiver Operating Characteristic）：很简单，就是把假阳率当x轴，真阳率当y轴画一个二维平面直角坐标系。然后不断调整检测方法（或机器学习中的分类器）的阈值，即最终得分高于某个值就是阳性，反之就是阴性，得到不同的真阳率和假阳率数值，然后描点。就可以得到一条ROC曲线。
需要注意的是，ROC曲线必定起于（0，0），止于（1，1）。因为，当全都判断为阴性(-)时，就是（0，0）；全部判断为阳性(+)时就是（1，1）。这两点间斜率为1的线段表示随机分类器（对真实的正负样本没有区分能力）。所以一般分类器需要在这条线上方。
AUC（Area Under Curve）：顾名思义，就是这条ROC曲线下方的面积了。越接近1表示分类器越好。
