Segmentation Quality and Volumetric Accuracy in Medical Imaging

目前医学图像分割依赖于基于区域的（Dice，F1分数）和基于边界的（Hausdorff距离，表面距离）度量作为事实标准。尽管这些度量被广泛使用，但它们缺乏统一的解释，特别是关于体积协议方面。临床医生通常缺乏明确的基准来衡量基于这些指标的分割结果的“好坏”。认识到体积测量的临床相关性，我们利用相对体积预测误差（vpe）直接评估从分割任务中得出的体积预测的准确性。我们的工作在不同数据集上整合了理论分析和经验验证。我们深入探讨了在临床实践中，分割质量（由Dice测量）和体积准确性之间经常存在的模糊关系。我们的研究结果强调了将体积预测准确性纳入分割评估的关键作用。这种方法赋予临床医生更加细致的分割性能理解，从而最终提高这些度量在真实世界的医疗保健环境中的解释和实用性。

本论文旨在解决医学图像分割中常用评价指标（如Dice、F1-score、Hausdorff距离和表面距离）对于体积一致性的评估欠缺统一解释的问题，提出使用相对体积预测误差（vpe）来直接评估分割任务中的体积预测准确性。

本论文的关键思路是将相对体积预测误差（vpe）作为评估医学图像分割结果的一个重要指标，以更准确地评估分割结果的体积一致性。相比当前领域的研究，本论文提出的思路更加全面、准确。

本论文通过理论分析和实证验证，探讨了分割质量（由Dice等指标衡量）和体积准确性在临床实践中的关系。实验使用了多个数据集进行验证，并提供了开源代码。本论文的方法为医学图像分割结果的评估提供了更加全面、准确的指标。

最近的相关研究包括：1. 'A survey on medical image segmentation'；2. 'Evaluation of medical image segmentation'；3. 'Deep learning for medical image segmentation: A review'。