arXiv cs.AI· Vincenzo Marcian\`o, Xiaoming Zhang, Gianluca Guglielmo, Michela Antonelli, Sebastien Ourselin, Maria A. Zuluaga·· 3 天前AI 评分22
MID：用于评估医学图像分割的掩码-图像分布差异指标
MID: Mask-Image Distributional Divergence for Evaluating Medical Image Segmentation
AI 导读
研究者提出 MID（Mask-Image Distributional Divergence），一种面向医学图像分割的分布级评估指标，无需逐样本配对真值掩码，通过比较参考集与预测集的图像-掩码联合分布来同时衡量掩码真实性与图像-掩码一致性。
正文 · AI 翻译
摘要：当前医学图像分割的评估方案仍主要基于逐样本比较，例如 Dice 和 Hausdorff 距离，这要求每个预测结果都与一个真实标注掩码配对。然而在实践中会出现两个局限：当预测是在未标注数据上进行时，这些方法不适用；即使有标注可用，它们也无法评估一组预测结果是否与真实标注总体的分布结构相匹配。我们提出 MID（Mask-Image Distributional Divergence，掩码-图像分布散度），一种用于医学图像分割的分布级评估指标。MID 基于这样一个观察：分割质量是图像-掩码联合分布的一种属性：一个掩码单独来看在解剖学上可能是合理的，但对其所伴随的图像而言却是错误的。MID 在参考集与一组预测结果之间比较图像和掩码的联合分布，而不需要逐样本对应关系。这同时捕捉了掩码的真实性和图像-掩码一致性。我们在涵盖 CT、MRI 和 MRA 的 13 个公开数据集上评估了 MID。在跨越 56 个器官组的解剖学真实感损坏下，MID 无需逐样本真实标注配对即可跟踪平均 Dice 和 Hausdorff 距离。MID 还能检测跨模态和解剖结构的分布偏移，通过受控打乱实验识别图像-掩码错位，并在真实分割模型上产生可靠的模型排名。官方实现见 this http URL
| Subjects: | Computer Vision and Pattern Recognition (cs.CV)；Artificial Intelligence (cs.AI) |
| Cite as: | arXiv:2610.17354 [cs.CV] |
| （或 arXiv:2610.17354v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17354 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
来自：Vincenzo Marcianò [查看电子邮件]
[v1]
2026年10月12日星期一 20:12:33 UTC（2,080 KB）
来源：arXiv cs.AI · arxiv.org