如何计算语义分割中的TN（真负例）？

在语义分割任务中，我们通常使用像素级别的指标来评估模型的性能，例如Dice系数、Jaccard指数等。除了这些指标，了解每个类别的真阳性(TP)、假阳性(FP)、假阴性(FN)和真阴性(TN)的数量对于全面评估模型性能也很重要。

本文将重点介绍如何计算TN，并提供一个使用PyTorch框架的代码示例。

代码示例：

以下代码片段展示了如何在PyTorch中计算语义分割模型的TN：pythondef eval_net(net, dataset, slicetotal, batch_size=12, gpu=True): '''使用Dice系数进行评估，不使用densecrf'''

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()

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                                # 计算TN                TN = torch.zeros(14).cuda()                TN[ak] = (batchshape - TP[ak] - FP[ak] - FN[ak]) - NE[ak] 

            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:

TN初始化: 我们首先创建一个名为 TN 的张量，并使用 torch.zeros(14).cuda() 将其初始化为零。2. 计算TN: 在循环内部，我们使用以下公式计算TN: python TN[ak] = (batchshape - TP[ak] - FP[ak] - FN[ak]) - NE[ak] 其中： - batchshape 是每个batch的样本数量。 - TP[ak]、FP[ak] 和 FN[ak] 分别表示类别 ak 的真阳性、假阳性和假阴性数量。 - NE[ak] 表示类别 ak 中没有预测结果和真实标签的样本数量。

总结:

通过计算TN，我们可以更全面地了解模型在区分不同类别时的性能。这对于评估模型在处理负样本时的性能非常重要，特别是在医学图像分割等应用中。