PyTorch 代码：计算 TN 指标

def eval_net(net, dataset, slicetotal, batch_size=12, gpu=True):
    '''Evaluation without the densecrf with the dice coefficient'''

    net.eval()
    start = time.time()
    dice_ = torch.zeros(14).cuda()
    jac_ = torch.zeros(14).cuda()
    NE = torch.zeros(14).cuda()
    JNE = torch.zeros(14).cuda()

    accuracy_ = torch.zeros(14).cuda()
    precision_ = torch.zeros(14).cuda()
    recall_ = torch.zeros(14).cuda()
    specificity_ = torch.zeros(14).cuda()
    TN = torch.zeros(14).cuda() # 补充代码: 初始化 TN 数组

    print(1)
    with torch.no_grad():
        for i, b in enumerate(batch(dataset, batch_size)):

            imgs = np.array([k[0] for k in b]).astype(np.float32)
            true_masks = np.array([k[1] for k in b])

            imgs = torch.from_numpy(imgs)
            imgs = imgs.unsqueeze(1)
            true_masks = torch.from_numpy(true_masks)

            pre_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)
            true_masks_eval = torch.zeros(true_masks.shape[0],14,256,256)
            batchshape = true_masks.shape[0]

            batch_dice = torch.zeros(14).cuda()
            if gpu:
                imgs = imgs.cuda()
                true_masks = true_masks.cuda()
                net.cuda()

            output_img = net(imgs)
            input = output_img.cuda()
            pre_masks = input.max(1)[1].float() #索引代表像素所属类别的数>字
            for ak in range(14):
                if ak == 0:
                    continue
                pre_masks_eval[:,ak] = (pre_masks==ak)
                true_masks_eval[:,ak] = (true_masks==ak)
                premasks = pre_masks_eval[:,ak].view(true_masks.shape[0],-1)
                truemasks = true_masks_eval[:,ak].view(true_masks.shape[0],-1)

                intersection = premasks * truemasks
                TP = intersection.sum(1)
                FP = premasks.sum(1) - TP
                FN = truemasks.sum(1) - TP

                # 补充代码: 计算 TN
                TN[ak] = (premasks * truemasks).sum(1).eq(0).sum()

                for bk in range(true_masks.shape[0]):
                    if TP[bk] == 0 and FP[bk] == 0 and FN[bk] == 0:
                        NE[ak] += 1
                        JNE[ak] += 1
                    else:
                        batch_dice[ak] = batch_dice[ak] + 2*TP[bk] / (2*TP[bk] + FP[bk] + FN[bk])
                        jac_[ak] = jac_[ak] + TP[bk] / (TP[bk] + FP[bk] + FN[bk])

            dice_ = dice_ + batch_dice

        for knum in range(14):
            dice_[knum] = dice_[knum] / (slicetotal - NE[knum])
            jac_[knum] = jac_[knum] / (slicetotal - JNE[knum])
    end = time.time()
    print('time used:',end - start)

    return dice_,jac_

代码解释:

初始化 TN 数组: 在循环开始之前，添加了一行代码 TN = torch.zeros(14).cuda() 用于初始化 TN 数组，用于存储每个类别的 TN 值。
计算 TN: 在每个类别循环中，添加了一行代码 TN[ak] = (premasks * truemasks).sum(1).eq(0).sum() 来计算 TN 值。
- (premasks * truemasks) 计算了预测为负样本且实际为负样本的像素数量。
- .sum(1) 沿着样本维度进行求和，计算每个样本的 TN 值。
- .eq(0).sum() 统计每个样本中 TN 值为 0 的数量，得到该类别的 TN 值。

代码修改说明:

将提供的代码段插入到 for ak in range(14): 循环内，紧接在计算 TP、FP 和 FN 之后。

其他指标:

除了 TN 指标，代码还计算了其他指标，例如：

准确率 (Accuracy)
精确率 (Precision)
召回率 (Recall)
特异度 (Specificity)
Dice 系数
Jaccard 系数

注意:

代码中的 14 代表了分割任务中类别的数量。
代码假设每个样本的维度都是 256x256。
代码中使用的是 GPU 计算，因此需要确保 GPU 可用。