컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 8-7. Segmentation Metric

컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석 8-7. Segmentation Metric

본 내용은 Edwith의 컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석을 요약 정리한 내용으로 DGIST 박상현 교수님과 Edwith, STAR-MOOC에 그 저작권이 있음을 미리 공지합니다.

URL : https://www.edwith.org/medical-20200327/lecture/63167/

Segmentation Metric

Pixel accuracy, Intersection over Union, Dice Coefficient 3개의 metric이 존재. 일반적으로 Segmentation에서는 IoU 혹은 Dice Coefficient를 많이 사용

Pixel accuracy는 classification에서 많이 사용하는 정확도, 다만 물체가 작을 때 높을 수 있음

예를 들어 1%의 물체(TP : True Positive)가 존재하고 99%의 배경이 존재한다면 99%의 배경(TN : True Negative)만을 보고 높은 정확도를 내보낼 수 있다는 말. 때문에 segmentation에서는 적합하지 않은 metric일 가능성이 높음

$S_g$ : Segmentation Ground Truth, $S_p$ : Segmentation Prediction

Intersection over Union은 Object Detection에서 많이 사용하는 metric으로 겹쳐지는 부분을 기준으로 많이 겹쳐지면 1 겹치는 것이 없다면 0

TN이 없는 식으로 표현가능

Dice Coefficient는 어제 배웠던 metric IoU와 비슷

녹색 : Ground Truth, 파란색 : Prediction

Hausdorff distance 중 h(A,B)의 해석 순서

1) A에 해당하는 픽셀 중 하나의 점 a와 모든 B의 점들 중 distance가 가장 작은 곳을 선택

2) 1)에서 구한 방법으로 A 안의 모든 점들 간 distance들을 구함

3) 2) 중 가장 큰 값을 선택

Hausdorff distance는 noise에 약한 단점이 있음

AVD = Average Distance

포인트별 최소 거리를 기준으로 평균을 냄