Về việc sử dụng khoảng cách Hausdorff trung bình để đánh giá hiệu suất phân đoạn: lỗi ẩn khi được sử dụng để xếp hạng
Tóm tắt
Khoảng cách Hausdorff trung bình là một thước đo hiệu suất phổ biến được sử dụng để tính toán khoảng cách giữa hai tập điểm. Trong phân đoạn hình ảnh y tế, nó được sử dụng để so sánh hình ảnh thực tế với các phân đoạn, cho phép xếp hạng chúng. Tuy nhiên, chúng tôi đã xác định được những sai sót trong việc xếp hạng khoảng cách Hausdorff trung bình khiến nó trở nên ít phù hợp cho các ứng dụng đánh giá hiệu suất phân đoạn. Để giảm thiểu lỗi này, chúng tôi trình bày một phép tính sửa đổi của thước đo hiệu suất này mà chúng tôi đã đặt tên là “khoảng cách Hausdorff trung bình cân bằng”. Để mô phỏng các phân đoạn cho việc xếp hạng, chúng tôi đã tạo ra bằng tay những lỗi phân đoạn không chồng chéo thường gặp trong phân đoạn mạch não bằng phương pháp chụp cộng hưởng từ, theo trường hợp sử dụng của chúng tôi. Bằng cách thêm những lỗi đã tạo ra một cách liên tiếp và ngẫu nhiên vào hình ảnh thực tế, chúng tôi đã tạo ra các tập hợp phân đoạn mô phỏng với số lượng lỗi tăng dần. Mỗi tập phân đoạn mô phỏng được xếp hạng bằng cả hai thước đo hiệu suất. Chúng tôi đã tính toán hệ số tương quan thứ hạng Kendall giữa thứ hạng phân đoạn và số lượng lỗi trong mỗi phân đoạn mô phỏng. Các thứ hạng được tạo ra bởi khoảng cách Hausdorff trung bình cân bằng có độ tương quan trung vị cao hơn đáng kể (1.00) so với khoảng cách Hausdorff trung bình (0.89). Trong tổng số 200 thứ hạng, cái trước đã xếp sai 52 trường hợp trong khi cái sau đã xếp sai 179 phân đoạn. Khoảng cách Hausdorff trung bình cân bằng phù hợp hơn cho việc xếp hạng và đánh giá chất lượng của các phân đoạn so với khoảng cách Hausdorff trung bình.
Từ khóa
Tài liệu tham khảo
AlBadawy EA, Saha A, Mazurowski MA (2018) Deep learning for segmentation of brain tumors: impact of cross-institutional training and testing. Med Phys 45:1150–1158 https://doi.org/10.1002/mp.12752. https://doi.org/10.1016/j.neuroimage.2006.01.015
Livne M, Rieger J, Aydin OU et al (2019) A u-net deep learning framework for high performance vessel segmentation in patients with cerebrovascular disease. Front Neurosci 13 https://doi.org/10.3389/fnins.2019.00097
Hilbert A, Madai VI, Akay EM et al (2020) BRAVE-NET: fully automated arterial brain vessel segmentation in patients with cerebrovascular disease. Front Artif Intell 3 https://doi.org/10.3389/frai.2020.552258
Powell KA, Liang T, Hittle B, Stredney D, Kerwin T, Wiet GJ (2017) Atlas-based segmentation of temporal bone anatomy. Int J Comput Assist Radiol Surg 12:1937–1944 https://doi.org/10.1007/s11548-017-1658-6
Guenette JP, Ben-Shlomo N, Jayender J et al (2019) MR imaging of the extracranial facial nerve with the CISS sequence. AJNR Am J Neuroradiol 40:1954–1959 https://doi.org/10.3174/ajnr.A6261
Peltenburg B, Schakel T, Dankbaar JW et al (2017) PO-0899: tumor volume delineation using non-EPI diffusion weighted MRI and FDG-PET in head-and-neck patients. Radiother Oncol 123:S496–S497 https://doi.org/10.1016/S0167-8140(17)31336-1
Rizzetto F, Calderoni F, De Mattia C et al (2020) Impact of inter-reader contouring variability on textural radiomics of colorectal liver metastases. Eur Radiol Exp 4:62 https://doi.org/10.1186/s41747-020-00189-8
Liechti MR, Muehlematter UJ, Schneider AF et al (2020) Manual prostate cancer segmentation in MRI: interreader agreement and volumetric correlation with transperineal template core needle biopsy. Eur Radiol 30:4806–4815 https://doi.org/10.1007/s00330-020-06786-w
Chen C, Wang Y, Yu J, Zhou Z, Shen L, Chen Y (2012) Tracking pylorus in ultrasonic image sequences with edge-based optical flow. IEEE Trans Med Imaging 31:843–855 https://doi.org/10.1109/TMI.2012.2183884
Taha AA, Hanbury A (2015) Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool. BMC Med Imaging 15. https://doi.org/10.1186/s12880-015-0068-x
Hotter B, Pittl S, Ebinger M et al (2009) Prospective study on the mismatch concept in acute stroke patients within the first 24 h after symptom onset - 1000Plus study. BMC Neurol 9:60 https://doi.org/10.1186/1471-2377-9-60