简介：面向医学影像分析与精确放疗领域的图像分割评价指标学习资料，适合从事计算机视觉、靶区勾画及分割算法评估的研究者与临床工程人员参考。内容围绕Dice系数与Hausdorff距离两种相似性度量展开，通过18个（9对）从临床靶区抽象出的轮廓进行系统比较，归纳出整体符合度好、整体好但局部偏差、轮廓符合度差三类情形，并论证仅以Dice系数作为唯一评判标准的局限，提出结合Hausdorff距离筛选的互补评估思路。资源包共1个PDF文件，约1.52MB，为期刊论文全文，含摘要、方法、结果与讨论及图表实例，便于按章节研读与引用。已有2192人学习，适合需要理解两类指标联系与差异、完善分割质量评价体系的读者参考。

1. 两个指标选谁：从一对轮廓的翻车说起

去年帮某实验室复核一批自动分割结果，DSC 均值 0.91，报告里写得漂漂亮亮，我随手抽了一例看轮廓叠加图，发现靶区边缘有一小块“触角”伸出去老远。DSC 只掉了不到 0.02，但那一块的偏差肉眼可见。后来补算 Hausdorff 距离，直接飙到三位数。这件事让我彻底改掉了“只看 Dice 就敢签字”的习惯。图像分割评价指标这个话题，网上模板和素材不少，但真正把 Dice 系数和 Hausdorff 距离放在一起讲清楚“什么时候会打架、打架时该信谁”的材料并不多。这篇面向三类人：正在给分割模型挑评价体系的选型者、想复现这套对比实验的攻防验证者、以及被单一指标坑过的成长中同行。我会把 9 对抽象轮廓的对比逻辑拆开，给出可抄的参数表和判断依据，让你下次看到 DSC 0.88 时不会直接放行。

2. Dice 系数：重叠度好用，但它有个盲区

2.1 公式背后的直觉与 0.7 这条线怎么来的

Dice 系数的定义很朴素：两个区域交集的两倍，除以两个区域面积之和。取值 0 到 1，1 表示完全重合，0 表示完全分离。它本质上是衡量“体积重叠比例”的指标，计算简单、对区域大小不敏感，所以成了分割任务里出场率最高的评价参数。业内常把 0.7 当作“重复度高”的经验门槛，这个数不是拍脑袋来的，早期空间重叠度研究里认为好的重叠对应 DSC 大于 0.7，对应的 Logit 变换值约 0.847。Logit 变换是把 DSC 从 0 到 1 的区间拉伸到整个实数域，好处是在 0.9 以上一堆相近数值里，差异会被放大，方便你在大量样本中看出谁更好一点。

我一般会这么比：先看 DSC 的分布而不是均值。均值 0.91 可能藏着几个 0.6 的离群样本，而临床或业务上恰恰是这些离群样本最要命。所以拿到一批分割结果，第一步是画 DSC 的直方图，看左尾有多长，而不是盯着平均数自我安慰。

2.2 为什么 DSC 高不代表没问题

DSC 的盲区在于它对“局部大偏差”不敏感。设想两个轮廓整体贴合得很好，只有一个很小的区域伸出去一大截，由于这个偏差区域占总面积比例很小，交集损失有限，DSC 可能只从 0.95 掉到 0.88，看起来依然“合格”。但从几何形状上看，那一小块凸起可能意味着自动勾画把邻近器官误纳入了靶区，后果不是数字能体现的。原文设计的 18 个轮廓里，类别 2 就是专门模拟这种情况：DSC 达到 0.8871、0.8821，全部超过 0.7 的门槛，可 Hausdorff 距离分别是 127.1 和 97.42，远超预设的 20。这就是单一 DSC 评判不完善的直接证据。

还有一个容易被忽略的点：DSC 对位置差异和大小差异都敏感，但敏感方式不同。两个等大图形只重叠一半，DSC 是 0.5；一个区域完全包住另一个只有它一半大的区域，DSC 是三分之二。也就是说，完全包含关系反而比部分重叠得分高，这符合直觉，但也提醒你：DSC 高有可能是“大区域吞掉小区域”造成的假象，尤其在目标本身很小的时候。

2.3 一个能直接用的 DSC 计算脚本

下面这段 Python 逻辑是我常用的最小实现，输入是两个二值掩膜，输出 DSC 和 Logit 变换值。注意交集用逻辑与、面积用求和，别用浮点除法前忘了防零。

import numpy as np def dice_score(mask_a, mask_b): # 确保输入是布尔型二值掩膜，避免像素值参与运算 a = mask_a.astype(bool) b = mask_b.astype(bool) intersection = np.logical_and(a, b).sum() total = a.sum() + b.sum() if total == 0: # 两个掩膜都为空时，按完全一致处理返回 1.0 return 1.0 dsc = 2.0 * intersection / total return dsc def logit_transform(dsc, eps=1e-6): # 防止 dsc 取 0 或 1 时对数发散 dsc = min(max(dsc, eps), 1 - eps) return np.log(dsc / (1 - dsc))

dice_score里两个掩膜都为空返回 1.0 是约定俗成的处理，实际业务里空掩膜往往意味着“没有目标”，是否算作正确要结合场景判断，别机械套用。logit_transform的eps是数值保护，DSC 恰好等于 1 时直接取对数会报错。参数上唯一要调的是掩膜的二值化阈值，如果你的模型输出是概率图，先定阈值再算 DSC，阈值不同结果差异很大，报告里必须写清楚。

3. Hausdorff 距离：对局部偏差零容忍的那把尺

3.1 从点集到轮廓：HD 到底在量什么

Hausdorff 距离衡量的是两个点集之间的最大不匹配程度。定义上，先对集合 A 里每个点找它到集合 B 的最近距离，取这些距离的最大值，得到 A 到 B 的单向 HD；再反过来算 B 到 A 的单向 HD；两者取大，就是双向 HD。直观理解：如果 HD 等于 d，意味着 A 中任意一点到 B 的最近距离都不超过 d，反过来也成立。它不要求点与点一一对应，所以对噪声和目标部分遮挡有较强的容错能力，这也是它在图像匹配领域被广泛使用的原因。

但 HD 的脾气很怪：只要有一小部分偏离很大，它立刻飙升到几十甚至上百。原文里类别 2 的 HD 达到 127.1，而轮廓整体看起来并不差，问题就出在那个局部凸起上。所以 HD 是“最坏情况”的度量，它不告诉你平均有多好，只告诉你最差的那一处有多差。这个特性和 DSC 恰好互补：一个看整体重叠，一个盯局部极值。

3.2 20 这个阈值为什么只能当参考

原文把 HD 的评判标准定在 20，但特别说明这个值没有绝对意义，因为 HD 和目标区域大小强相关，区域越大 HD 往往越高。文献里股骨头和膀胱的平均 HD 差异就是例子，器官尺寸不同，直接横向比 HD 没有意义。我一般会这么处理：HD 阈值按目标尺度归一化，或者在同一类器官、同一扫描分辨率下才做横向比较。跨数据集、跨器官直接拿 20 卡，很容易误杀。

还有一个实操细节：HD 对轮廓点集的采样密度敏感。如果两个轮廓的点数差异很大，最近点搜索的结果会受影响。稳妥做法是先把轮廓重采样到相近的点数，或者用基于距离变换的实现，避免点集稀疏导致的虚高。

3.3 HD 的可复现实现与参数说明

下面用距离变换的方式算 HD，避免逐点暴力搜索，适合轮廓点较多的情况。核心思路是把 B 做成距离场，查 A 中每个点在距离场上的值，取最大即单向 HD。

import numpy as np from scipy.ndimage import distance_transform_edt def hausdorff_distance(mask_a, mask_b): a = mask_a.astype(bool) b = mask_b.astype(bool) # 对 B 取反后做距离变换，得到每个像素到最近 B 点的距离 dt_to_b = distance_transform_edt(~b) dt_to_a = distance_transform_edt(~a) # 单向 HD：A 中所有点到 B 的最近距离的最大值 h_a_to_b = dt_to_b[a].max() if a.any() else 0.0 h_b_to_a = dt_to_a[b].max() if b.any() else 0.0 # 双向 HD 取两者较大值 return max(h_a_to_b, h_b_to_a)

distance_transform_edt默认按像素欧氏距离计算，如果你的图像有物理像素间距（比如 CT 的层厚和像素尺寸不同），要把sampling参数传进去，否则算出来的 HD 单位是像素而不是毫米，跨病例比较会失真。a.any()的空集保护同样必要，空掩膜参与 HD 计算没有物理意义，业务上应单独标记为无效样本而不是给个 0。

4. 九对轮廓的对比实验：三类结果怎么读

4.1 实验设计与参数边界

原文没有用真实 CT 勾画图，而是用画图软件抽象出线条单一的轮廓，共 3 组每组 6 幅，合计 18 个轮廓、9 对。这个设计的好处是排除纹理和灰度干扰，纯粹看几何形状差异。流程是 MATLAB 提取轮廓坐标点，导入 Python 脚本算 DSC 和 HD，最后统一比对。评判边界定为 DSC 0.7、HD 20，并且因为模拟图像整体放大过，HD 数值相应偏高，这个前提在读结果时必须记住，别把 20 当成放之四海皆准的硬线。

我一般会这么设计对比实验：先构造“理想重合”“整体好局部差”“整体差”三类样本，每类至少三对，确保结论不是单样本偶然。原文的 9 对正好覆盖这三类，类别 1 六对、类别 2 六对、类别 3 六对，样本量虽小但方向明确。

4.2 三类结果的数值特征与判读规则

把原文表 1 的数据整理成下面这张对比表，方便你直接对照：

判读规则可以固化成三条：DSC 高且 HD 低，放行；DSC 高但 HD 高，必须人工复核局部；DSC 低且 HD 高，直接打回。原文还指出一个不对称现象：不存在 DSC 低但 HD 好的情况。逻辑上也好理解，DSC 低说明有大面积偏离，大面积偏离必然导致某个方向上的最大距离很大，HD 不可能小。这个不对称性反过来给了你一个省事的筛查顺序：先看 HD，HD 超标的一律进复核队列，再用 DSC 判断整体质量。

4.3 从数值回到图像：复核时看什么

数值只是触发器，真正定位问题还得回到叠加图。我的习惯是把自动轮廓和参考轮廓用不同颜色叠在一张图上，重点看三个地方：一是轮廓的尖角和外凸处，这里最容易出现类别 2 的局部大偏差；二是凹陷和狭窄间隙，自动分割容易在这里“填平”；三是小目标区域，DSC 在小目标上波动大，HD 又受尺度影响，双重不可靠。原文图 5 那两例就是典型的外凸导致 HD 爆表，而 DSC 几乎没反应。复核时如果只看报表数字，这类问题百分之百会漏过去。

5. 避坑与排查：五个真实踩过的坑

5.1 坑一：拿均值当结论，离群样本被平均掉

现象：一批分割结果 DSC 均值 0.91，报告结论写“整体良好”，上线后个别病例出现明显勾画错误。原因：均值掩盖了左尾分布，少数低分样本被大量高分样本稀释。解决：报告里同时给均值、最小值、低于阈值的样本占比，并强制列出 DSC 最低的五个样本逐一复核。我现在的习惯是均值只用于趋势观察，放行判断一律看分位数和最小值。

5.2 坑二：HD 跨器官直接比，阈值形同虚设

现象：用统一的 HD 20 去卡所有器官，大器官全部超标，小器官全部通过，结论完全失真。原因：HD 与目标区域尺寸正相关，大区域天然 HD 高。解决：按器官或目标类别分别设阈值，或者把 HD 除以目标等效直径做归一化后再比较。原文特别提到股骨头与膀胱的平均 HD 差异，就是提醒这一点。

5.3 坑三：掩膜二值化阈值没写清，结果无法复现

现象：同一批模型输出，两次评估 DSC 差了 0.03，排查半天发现一次用 0.5 阈值、一次用 0.3 阈值。原因：概率图转二值掩膜的阈值直接决定轮廓范围，阈值不同指标不可比。解决：评估脚本里把阈值作为显式参数记录进日志，报告里注明阈值来源，跨批次对比时锁定同一阈值。

5.4 坑四：HD 单位是像素还是毫米没对齐

现象：换了一台扫描设备，像素间距变了，HD 数值整体偏移，误判为模型退化。原因：距离变换没传物理间距，算出来的是像素距离。解决：统一用物理单位（毫米）计算 HD，distance_transform_edt传入sampling参数，并在数据预处理阶段核对像素间距元数据。

5.5 坑五：空掩膜被当成满分

现象：某些切片没有目标，自动输出空掩膜，DSC 按约定返回 1.0，把整体均值拉高。原因：空集处理逻辑没有区分“正确识别为空”和“漏检”。解决：空掩膜样本单独统计，不混入 DSC 均值，同时记录漏检率。是否算正确取决于业务定义，但绝不能默默按满分处理。

6. 结论落在组合拳上：DSC 筛整体，HD 卡局部

把 9 对轮廓的结果摊开看，最值得记住的不是某个具体数值，而是那个不对称性：DSC 低必然 HD 高，但 DSC 高不保证 HD 低。这意味着两个指标不是平级关系，而是有先后。我的实操顺序是先用 HD 做粗筛，把局部大偏差的样本捞出来，再用 DSC 评估整体重叠质量，两者都过才放行。原文的结论也是这个意思——仅靠 Dice 系数作为唯一评判标准不完善，应增加对距离敏感的 HD 筛选。

具体到落地，给你一套可以直接抄的评估流程：第一步，锁定二值化阈值并记录；第二步，逐样本算 DSC 和 HD，HD 用物理单位；第三步，按目标类别设 HD 阈值，DSC 统一用 0.7 起步但结合业务调整；第四步，输出四象限分类（双高、DSC 高 HD 高、双低、DSC 低 HD 低），其中“DSC 高 HD 高”这一类强制人工复核；第五步，报告里同时给均值、最小值、低分样本清单。这套流程不复杂，但能挡住我前面踩过的大部分坑。

回过头看，我最大的教训是曾经把指标当成验收章，数字过了就签字，结果被一个局部凸起教做人。从那以后我每次评估分割结果，都强制走一遍“HD 粗筛加叠加图复核”，哪怕 DSC 是 0.95 也不跳过。指标是筛子不是判决书，筛完还得用眼睛看一遍最差的那几例。希望帮到你。

本文还有配套的精品资源，点击获取