MID：无需逐样本配对的医学图像分割分布级评估指标
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载逐样本评估的两个盲区
论文指出，当前医学图像分割的评估协议基本停留在样本级比较，典型代表是 Dice 与 Hausdorff 距离，它们要求每一个预测结果都与一张真值掩码配对。这种设定在两类场景下失效：一是预测发生在无标注数据上时，根本没有可配对的真值；二是即便标注齐备，逐样本指标也只能反映单个预测与单张掩码的吻合程度，无法回答一批预测整体上是否与真值总体的分布结构相符。作者由此提出，需要一种不依赖样本级对应的评估方式。
把质量定义为联合分布属性
MID 的出发点是：分割质量是图像-掩码联合分布的性质。一张掩码单独看可能解剖学上合理，但放到它所对应的那张图像上却可能是错的，因此只看掩码本身或只看逐样本匹配都不充分。MID 的做法是比较参考集与预测集在图像与掩码上的联合分布，不需要样本之间一一对应，从而同时捕捉两件事：掩码本身是否真实，以及图像与掩码之间是否一致。这一设计使评估可以在没有逐样本真值配对的条件下进行。
13 个数据集上的验证
作者在 13 个公开数据集上评测 MID，覆盖 CT、MRI 与 MRA 三种模态。在 56 个器官组上施加解剖学上合理的扰动后，MID 在不做逐样本真值配对的前提下，能够跟随平均 Dice 与 Hausdorff 距离的变化趋势。除跟踪传统指标外，MID 还能检测跨模态与跨解剖结构的分布偏移，并通过受控的打乱实验识别图像与掩码之间的错位。在真实分割模型上，MID 给出的模型排序被认为是可靠的。论文提供了官方实现，编号为 arXiv:2610.17354。
为什么值得看
医学图像分割评测长期依赖逐样本真值配对，该指标把评估搬到分布层面，对无标注场景与模型排序有直接参考价值。
信源1 家
关键事实
论文提出 MID（Mask-Image Distributional Divergence），一种面向医学图像分割的分布级评估指标[1]
现有 Dice 与 Hausdorff 距离等指标需要每个预测与真值掩码配对，无法用于无标注数据，也无法评估预测集合与真值总体的分布结构是否一致[1]
MID 比较参考集与预测集的图像-掩码联合分布，不需要样本级对应，同时覆盖掩码真实性与图像-掩码一致性[1]
在覆盖 CT、MRI、MRA 的 13 个公开数据集、56 个器官组的解剖学合理扰动下，MID 无需逐样本配对即可跟踪平均 Dice 与 Hausdorff 距离[1]
MID 可检测跨模态与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，并对真实分割模型给出可靠排序[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。