Dice score分割评价指标

介绍分割任务中常见的评价指标Dice coefficient score。

代码实现和注意事项。

1. 介绍
2. 代码实现
3. 注意

介绍

Dice-Sørensen coefficient用于衡量两个样本相似性的统计量，最初旨在应用于离散数据。

其定义为：

$$
DSC = \frac{2|X \bigcap Y|}{|X| + |Y|}
$$

• $|X|$，$|Y|$两个集合的元素。

在图像分割任务中：

• X和Y:一个代表预测标签，一个代表真实

代码实现

1. Python手动实现（By Claude）💦

 import numpy as np

def dice_score(array1, array2):
    """
    Calculate Dice coefficient between two 2D binary arrays.
    
    Parameters:
    array1, array2: numpy arrays with binary values (0 and 1)
    
    Returns:
    dice: float, the Dice coefficient between the two arrays
    """
    # Ensure the inputs are binary
    array1 = np.asarray(array1).astype(bool)
    array2 = np.asarray(array2).astype(bool)
    
    # Calculate intersection and sum
    intersection = np.logical_and(array1, array2).sum()
    sum_arrays = array1.sum() + array2.sum()
    
    # Handle edge case where both arrays are empty
    if sum_arrays == 0:
        return 1.0  # Both arrays are empty, consider them identical
    
    # Calculate Dice coefficient
    dice = (2.0 * intersection) / sum_arrays
    
    return dice

if __name__ == '__main__':
    # Create two sample 2D binary arrays
    mask1 = np.array([
        [0, 0, 0, 0],
        [0, 1, 1, 0],
        [0, 1, 1, 0],
        [0, 0, 0, 0]
    ])

    mask2 = np.array([
        [0, 0, 0, 0],
        [0, 1, 1, 0],
        [0, 1, 0, 0],
        [0, 0, 0, 0]
    ])

    # Calculate Dice score
    score = dice_score(mask1, mask2)
    print(f"Dice score: {score:.4f}")  # Result: 0.8571 (6/7)

2. 调用medpy中现有的dice计算👍

::: success
推荐使用这个方法
:::

pip install medpy

其具有几个优点：

1. 充分的测试和优化
2. 正确处理边缘情况
3. 无需编写复杂的计算

如果是多分类的时候，可能需要计算不同类别的Dice分数，其实现方法为：

from medpy import metric
import numpy as np

# For multi-class segmentation
def multi_class_dice(array1, array2, num_classes):
    """
    Calculate Dice score for each class in multi-class segmentation.
    
    Parameters:
    array1, array2: numpy arrays with class labels (0, 1, 2, etc.)
    num_classes: number of classes including background
    
    Returns:
    dice_scores: list of Dice scores for each class
    """
    dice_scores = []
    
    for i in range(num_classes):
        # Create binary masks for the current class
        mask1 = (array1 == i).astype(np.uint8)
        mask2 = (array2 == i).astype(np.uint8)
        
        # Calculate Dice score for the current class
        if np.sum(mask1) == 0 and np.sum(mask2) == 0:
            # Both masks are empty, consider perfect overlap
            dice_scores.append(1.0)
        else:
            dice_scores.append(metric.binary.dc(mask1, mask2))
    
    return dice_scores

medpy中包含了很多便于处理医学图像的功能。

注意❗

CSDN博客中，有不少文章在手动实现Dice计算的时候，为了防止除以0发生，加入一个极小值smooth来计算。

这个极小值会两倍加在分子，一倍加入分母。

但是，我在实验中发现即使是再小的极小值，都会对分割分数有极大地影响，分割结果越是差，这个加入了极小值的计算方法得到的dice越高。

（如：pred全为0，但gt不为0的时候，dice不为0且有70左右。）

尚未查证具体影响的原因，但推测是因为这个极小值加在了图像整体上，float的计算无法忽视这种“距离”的接近，造成了错误的结果。

本博客中的手动实现dice在遇到0的时候采用单独判断，不会影响，可以放心使用。但最推荐的还是使用medpy的方法。