Jaccard指数与准确率的比较#
根据具体用例，某些指标在确定分割质量时可能并不理想。我们通过比较不同裁剪图像的分割结果来演示这一点。
另请参阅：
from skimage.data import human_mitosis
from the_segmentation_game import metrics
import napari_segment_blobs_and_things_with_membranes as nsbatwm
import stackview
我们使用scikit-image中的human_mitosis示例数据集。
image = human_mitosis()[95:165, 384:454]
stackview.insight(image)
|
|
让我们假设这是由专家执行的参考标注。
reference_labels = nsbatwm.voronoi_otsu_labeling(image)
reference_labels
|
nsbatwm made image
|
此外，这创建了一个我们想要确定质量的分割结果。
test_labels = nsbatwm.gauss_otsu_labeling(image, outline_sigma=3)
test_labels
|
nsbatwm made image
|
质量测量#
有许多质量指标可用于衡量两个标签图像之间的匹配程度。在接下来的内容中，我们使用The Segmentation Game中实现的准确率和Jaccard指数，这是一个用于测量分割结果质量指标的napari插件。
metrics.roc_accuracy_binary(reference_labels, test_labels)
0.9744898
metrics.jaccard_index_sparse(reference_labels, test_labels)
0.7274754206261056
现在，我们将再次对标签图像应用相同的指标，但通过移除标签图像顶部和左侧的一些零值像素来裁剪图像。
metrics.roc_accuracy_binary(reference_labels[20:,20:], test_labels[20:,20:])
0.95
metrics.jaccard_index_sparse(reference_labels[20:,20:], test_labels[20:,20:])
0.7274754206261056
如你所见，准确率指标发生了变化，而Jaccard指数保持不变。显然，准确率指标取决于标签图像中零值像素的数量。我们只是可视化裁剪后的图像：
reference_labels[20:,20:]
|
nsbatwm made made image
|
test_labels[20:,20:]
|
nsbatwm made made image
|
解释#
比较准确率\(A\)和Jaccard指数\(J\)的方程时，很明显两者做的是类似的事情，但只有准确率包括了两个标签图像中的零值像素数量。这些像素是真负例\(TN\)。
\[
A =\frac{TP + TN}{FN + FP + TP + TN}
\]
\[
J =\frac{TP}{FN + FP + TP}
\]