医学图像分割指标(ASSD)详解：从原理到工程实践

1次阅读

共计 2584 个字符，预计需要花费 7 分钟才能阅读完成。

医学图像分割是计算机辅助诊断的核心任务，其评估指标需要精确反映分割结果与金标准的解剖结构匹配度。表面距离类指标因更符合临床对 ” 边缘误差 ” 的敏感性，成为比体积重叠指标（如 Dice）更具判别力的选择。其中 ASSD 通过对称化处理避免了单向距离的偏差，成为 MICCAI 等国际会议推荐的标准评估方法之一。

给定真实表面点集 A 和预测表面点集 B：
– 单向表面距离：$d(a,B) = \min_{b \in B} ||a-b||$
– 对称表面距离：$SD(A,B) = \frac{1}{|A|+|B|}(\sum_{a\in A}d(a,B) + \sum_{b\in B}d(b,A))$

Hausdorff 距离反映最大误差：$HD(A,B) = \max(\max_{a\in A}d(a,B), \max_{b\in B}d(b,A))$
ASSD 反映平均误差，对离群点不敏感

通过三角不等式可证 ASSD 满足：
– 非负性：$ASSD(A,B) \geq 0$
– 对称性：$ASSD(A,B) = ASSD(B,A)$
– 同一性：当且仅当 A = B 时 ASSD=0

import numpy as np
import SimpleITK as sitk
from scipy.spatial import cKDTree

def calculate_assd(seg_img, gt_img, voxel_spacing):
    """
    Calculate ASSD between segmentation and ground truth
    :param seg_img: SimpleITK Image of segmentation result (binary)
    :param gt_img: SimpleITK Image of ground truth (binary)
    :param voxel_spacing: Tuple of physical spacing (e.g., [0.5,0.5,3.0])
    :return: ASSD value in millimeters
    """
    # 1. Convert to numpy arrays
    seg_arr = sitk.GetArrayFromImage(seg_img)
    gt_arr = sitk.GetArrayFromImage(gt_img)

    # 2. Extract surface points with physical coordinates
    def get_surface_points(arr):
        # Use 3D Sobel operator for edge detection
        kernel = np.array([[[1, 2, 1], [2, 4, 2], [1, 2, 1]],
                           [[0, 0, 0], [0, 0, 0], [0, 0, 0]],
                           [[-1,-2,-1], [-2,-4,-2], [-1,-2,-1]]])
        edges = np.abs(convolve(arr, kernel, mode='constant')) > 0
        coords = np.argwhere(edges)
        # Convert voxel to physical coordinates
        return coords * np.array(voxel_spacing[::-1])  # SimpleITK uses zyx order

    surf_pred = get_surface_points(seg_arr)
    surf_gt = get_surface_points(gt_arr)

    # 3. Build KDTree for fast nearest neighbor search
    tree_pred = cKDTree(surf_pred)
    tree_gt = cKDTree(surf_gt)

    # 4. Calculate symmetric distances
    dist_gt_to_pred, _ = tree_pred.query(surf_gt)
    dist_pred_to_gt, _ = tree_gt.query(surf_pred)

    # 5. Compute ASSD
    assd = (np.sum(dist_gt_to_pred) + np.sum(dist_pred_to_gt)) / \
           (len(surf_gt) + len(surf_pred))

    return assd

常见错误：直接使用像素坐标计算距离
解决方案：所有坐标必须乘以 voxel_spacing 转换为物理空间(mm)
验证方法：检查 img.GetSpacing() 返回值

问题：浮点型预测结果需要阈值化
推荐方案：
对 softmax 输出使用 0.5 阈值
或采用 Otsu 自适应阈值

原始方法：所有体素表面点导致计算量暴增
优化方案：
每 3 个像素采样一次
使用 Marching Cubes 提取等值面

def gpu_assd(pred, target, spacing):
    # 使用 PyTorch 的 CUDA 加速
    import torch
    from pytorch3d.ops import knn_points

    pred_pts = extract_surface_points(pred).cuda()
    target_pts = extract_surface_points(target).cuda()

    # KNN 查询加速
    dist1, _ = knn_points(target_pts, pred_pts, K=1)
    dist2, _ = knn_points(pred_pts, target_pts, K=1)

    return (dist1.mean() + dist2.mean()).item() / 2