【3D 图像分割】基于 Pytorch 的 3D 图像分割11（预测结果 recall 和 FPAR 评估）

如果要对预测结果，与标记结果进行评估，判断下模型的预测能力怎么样，该怎么办呢？在论文里面经常采用dice coeff这个值作为横向比较评判的标准。

而在实际的使用中，你们都会采用什么其他的评估方法，评价指标呢？本文采用更加直观的召回率和平均案例的假阳性率作为评价模型性能的指标，这个更加的贴近了产业一线，医生也会更加的理解你模型性能的优劣，与他们实际使用时候，大概的一个性能。

那下面我们就对本系列使用的评价指标，做个详细的介绍把。

一、导言

Dice系数是一种常用的分割模型评估指标，它衡量了模型预测结果与真实标签之间的相似度，具有以下特点、优势和不足：

特点：

• Dice系数是一种常用的二分类评估指标，用于衡量模型预测结果与真实标签之间的相似度。
• Dice系数的取值范围在0到1之间，越接近1表示模型预测结果与真实标签越相似。
• Dice系数计算简单，只需要计算预测结果和真实标签中交集的大小和并集的大小即可。

优势：

• Dice系数对于类别不平衡的数据集具有较好的鲁棒性。在分割任务中，像素点中正样本和负样本数量通常是不平衡的，Dice系数对这种情况具有较好的适应性。
• Dice系数对于分割任务中的边缘部分有较好的评估效果。在分割任务中，模型对于边缘部分的预测效果通常比较重要，Dice