Exponenta Banner

generalizedDice

Обобщенный коэффициент подобия Сёренсена-Диса для сегментации изображения

Свернуть все на странице

Синтаксис

similarity = generalizedDice(X,target)
similarity = generalizedDice(X,target,'DataFormat',dataFormat)

Описание

Обобщенный коэффициент подобия Dice измеряет перекрытие между двумя сегментированными изображениями. Обобщённое подобие Dice основано на подобии Sörensen-Dice и контролирует вклад, который каждый класс вносит в подобие путем взвешивания классов обратным размером ожидаемой области. При работе с несбалансированными наборами данных взвешивание классов помогает предотвратить доминирование более распространенных классов в счете подобия.

пример

similarity = generalizedDice(X,target) вычисляет обобщенный коэффициент подобия Сёренсена-Диса между тестовым изображением X и целевое изображение target.

similarity = generalizedDice(X,target,'DataFormat',dataFormat) также задает метки размерностей, dataFormat, данных неформатированного изображения. Вы должны использовать этот синтаксис, когда вход неформатирован dlarray (Deep Learning Toolbox) объекты.

Примеры

свернуть все

Открыть Live Script

Загрузка предварительно обученной сети.

data = load('triangleSegmentationNetwork');
net = data.net;

Загрузите набор данных изображения с помощью imageDatastore.

dataDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages');
testImageDir = fullfile(dataDir,'testImages');
imds = imageDatastore(testImageDir);

Загрузите метки основной истины для набора данных треугольника с помощью pixelLabelDatastore.

labelDir = fullfile(dataDir,'testLabels');
classNames = ["triangle" "background"];
pixelLabelID = [255 0];
pxdsTruth = pixelLabelDatastore(labelDir,classNames,pixelLabelID);

Считайте образец изображения и соответствующие метки основной истины.

I = readimage(imds,1);
gTruthLabels = readimage(pxdsTruth,1);

Запустите семантическую сегментацию на изображении.

[predictions,scores] = semanticseg(I,net);

Закодируйте категориальные предсказания и цели, используя onehotencode функция.

featureDim = ndims(predictions) + 1;
encodedPredictions = onehotencode(predictions,featureDim);
encodedGroundTruthLabels = onehotencode(gTruthLabels,featureDim);

Игнорируйте любые неопределенные классы в закодированных данных.

encodedPredictions(isnan(encodedPredictions)) = 0;
encodedGroundTruthLabels(isnan(encodedGroundTruthLabels)) = 0;

Вычислите обобщенный коэффициент подобия Dice между сегментированным изображением и основной истиной.

gDice = generalizedDice(encodedPredictions,encodedGroundTruthLabels)
gDice = 0.4008

Этот пример использует:

Открыть Live Script

Создайте входные данные как форматированный dlarray объект, содержащий 32 наблюдения с ненормированными счетами для десяти выходных категорий.

spatial = 10;
numCategories = 10;
batchSize = 32;
X = dlarray(rand(spatial,numCategories,batchSize),'SCB');

Преобразуйте ненормализованные счета в вероятности принадлежности каждой из десяти категорий.

X = sigmoid(X);

Создайте целевые значения для членства во второй и шестой категориях.

targets = zeros(spatial,numCategories,batchSize);
targets(:,2,:) = 1; 
targets(:,6,:) = 1;
targets = dlarray(targets,'SCB');

Вычислите обобщенный коэффициент подобия Dice между векторами вероятностей X и целевыми объектами для мультиметки.

Z = generalizedDice(X,targets);
whos Z
  Name      Size              Bytes  Class      Attributes

  Z         1x1x32              262  dlarray

Вычислите обобщённый Dice Loss.

loss = 1 - mean(Z,'all')
loss = 
  1(S) x 1(C) x 1(B) dlarray

     1

Входные параметры

свернуть все

Тестовое изображение, которое будет проанализировано, задается как одно из следующих значений.

  • Числовой массив любой размерности. Последняя размерность должно соответствовать классам.

  • Неформатированный dlarray (Deep Learning Toolbox) объект. Вы должны задать формат данных, используя dataFormat аргумент.

  • Форматированный dlarray объект. The dlarray вход должен содержать размерность канала, 'C' и может содержать размерность, 'B'.

dlarray вход требуется Deep Learning Toolbox™.

Целевое изображение, заданное как числовой массив или dlarray (Deep Learning Toolbox) объект. Размер и формат target должен совпадать с размером и форматом тестового изображения, X. dlarray вход требуется Deep Learning Toolbox.

Метки размерностей для неформатированных dlarray Изображение входа, заданная в виде строкового скаляра или вектора символов. Каждый символ в dataFormat должна быть одной из следующих меток:

  • S - Пространственный

  • C - Канал

  • B - Пакетные наблюдения

Формат должен включать одну метку канала. Формат не может включать более одной метки канала или пакетной метки. Не задавайте 'dataFormat'аргумент, когда входные изображения форматированы dlarray объекты.

Пример: 'SSC' указывает, что массив имеет две пространственные размерности и один размер канала

Пример: 'SSCB' указывает, что массив имеет две пространственные размерности, один размер канала и один размер пакета

Выходные аргументы

свернуть все

Обобщенный коэффициент подобия Dice, возвращенный как числовой скаляр или dlarray (Deep Learning Toolbox) объект со значениями в области значений [0, 1]. A similarity из 1 означает, что сегментации в двух изображениях являются идеальным соответствием.

  • Если входные массивы являются числовыми изображениями, то similarity является числовым скаляром.

  • Если входные массивы dlarray объекты, затем similarity является dlarray объект той же размерности, что и входные изображения. Пространственные и канальные размерности similarity являются синглтонными размерностями. Существует одно обобщенное измерение Dice для каждого элемента вдоль размерности партии.

Подробнее о

свернуть все

Обобщенное сходство Dice

Обобщённое сходство Dice основано на подобии Sörensen-Dice для измерения перекрытия между двумя сегментированными изображениями.

Обобщенная функция подобия Dice S используемая generalizedDice для подобия между одним изображением Y и соответствующей основной истиной T дается:

S=2∑k=1Kwk∑m=1MYkmTkm∑k=1Kwk∑m=1MYkm2+Tkm2

K - количество классов, M - количество элементов по первым двум размерностям Y, а wk - специфический для класса весовой коэффициент, который управляет вкладом каждого класса в счет. Это взвешивание помогает противостоять влиянию больших областей на обобщённый счет Dice. wk обычно является обратной областью ожидаемой области:

wk=1(∑m=1MTkm)2

Существуют несколько изменений обобщённых счетов Dice [1], [2]. generalizedDice функция использует квадратные условия, чтобы убедиться, что производная равна 0, когда два изображения совпадают [3].

Ссылки

[1] Крам, Уильям Р., Оскар Камара и Дерек ЛГ Хилл. «Обобщенные показатели перекрытия для оценки и валидации в анализе медицинских изображений». Транзакции IEEE по медицинской визуализации. 25.11, 2006, стр 1451–1461.

[2] Sudre, Carole H., et al. «Обобщенное перекрытие Dice как функция потерь глубокого обучения для сильно несбалансированных сегментаций». Глубокое обучение в анализе медицинских изображений и мультимодальном обучении для поддержки клинических решений. Springer, Cham, 2017, pp. 240-248.

[3] Миллетари, Фаусто, Нассир Наваб и Сейед-Ахмад Ахмади. V-Net: Полностью сверточные нейронные сети для объемной медицинской сегментации изображений ". Четвертая Международная конференция по 3D-видению (3DV). Стэнфорд, Калифорния, 2016: с. 565-571.

Расширенные возможности

См. также

| | | (Deep Learning Toolbox) | (Deep Learning Toolbox)

Введенный в R2021a

Документация по Computer Vision Toolbox

Поддержка