Diferencia entre revisiones de «Matrices de confusión y otros valores estadísticos»
Sin resumen de edición |
|||
| (No se muestran 13 ediciones intermedias del mismo usuario) | |||
| Línea 17: | Línea 17: | ||
La matriz de | La matriz de confusión donde las filas corresponden a la verdad del terreno y las columnas a los resultados: | ||
'''TP FP''' | '''TP FP''' | ||
| Línea 23: | Línea 23: | ||
'''FN TN''' | '''FN TN''' | ||
En muchas referencias las columnas corresponden a la verdad del terreno y las filas a los resultados, entonces la matriz de | En muchas referencias las columnas corresponden a la verdad del terreno y las filas a los resultados, entonces la matriz de confusión es la traspuesta de la descrita arriba. | ||
| Línea 29: | Línea 29: | ||
'''N = número total de vóxeles de la imagen''' | '''N = número total de vóxeles de la imagen''' | ||
== '''Valores estadísticos''' == | == '''Valores estadísticos''' == | ||
| Línea 47: | Línea 46: | ||
Dice is similar to Jaccard but gives twice the weight to agreements. | Dice is similar to Jaccard but gives twice the weight to agreements. | ||
It is also known as "overlap ratio" when used for segmentation validation. This sensitive measure varies in the range [0,1]... | |||
For medical images, values greater than 0.6 for smaller structures and 0.8 for larger structures are considered good by some authors [http://dx.doi.org/10.1016/j.media.2007.06.004 (Avants et al., 2007)]. | |||
'''Precision''': is the proportion of the predicted positive cases that were correct, as calculated using the equation: '''precision''' = TP / (TP+FP) | |||
'''True Positive Rate or Sensitivity or Recall:''' TPF = TP / (TP + FN) = sensitivity | |||
Puede ser multiplicada por 100 para expresarlo como un porcentaje. | |||
'''F-score:''' Precision x Recall | |||
'''True Negative | '''True Negative Rate or Specificity:''' TNF = TN / (TN + FP) = specificity | ||
Puede ser multiplicada por 100 para expresarlo como un porcentaje. | |||
'''False Positive | '''False Positive Rate:''' FPF = FP / (FP + TN) = 1 - specificity | ||
Puede ser multiplicada por 100 para expresarlo como un porcentaje. | |||
'''Segmentation Accuracy :''' SA = (TP + TN) / N (x 100) | '''Segmentation Accuracy :''' SA = ((TP + TN) / N) (x 100) | ||
| Línea 81: | Línea 89: | ||
The ASR provides the overall evaluation based on the entire image volume, while TPF and FPF are used to measure the performance of different algorithm for a specific tissue. | The ASR provides the overall evaluation based on the entire image volume, while TPF and FPF are used to measure the performance of different algorithm for a specific tissue. | ||
== '''Nota''' == | == '''Nota''' == | ||
| Línea 93: | Línea 99: | ||
== '''Otras referencias''' == | == '''Otras referencias''' == | ||
http://en.wikipedia.org/wiki/Sensitivity_and_specificity | |||
http://en.wikipedia.org/wiki/True_positive | http://en.wikipedia.org/wiki/True_positive | ||
Revisión actual - 12:28 27 jul 2010
Introducción
Hemos realizado esta página para resumir y concretar algunos coeficientes estadísticos que siempre aparecen en muchos de nuestros experimentos. Estos coeficientes nos ayudan a medir la calidad de nuestros resultados al compararlos con la verdad del terreno.
El trabajo en el que se basa esta página es sobre evaluación de algunos resultados de segmentación de imágenes de resonancia magnética, entonces oiréis hablar sobre vóxeles, aunque estos coeficientes son aplicables a otras materias.
Definiciones
In statistics, the terms Type I error (also, α error, or false positive) and type II error (β error, or a false negative) are used to describe possible errors made in a statistical decision process. In 1928, Jerzy Neyman (1894-1981) and Egon Pearson (1895-1980), both eminent statisticians, discussed the problems associated with "deciding whether or not a particular sample may be judged as likely to have been randomly drawn from a certain population" (1928/1967, p.1): and identified "two sources of error", namely:
(α) the error of rejecting a "correct" null hypothesis, and (β) the error of not rejecting a "false" null hypothesis
La matriz de confusión donde las filas corresponden a la verdad del terreno y las columnas a los resultados:
TP FP
FN TN
En muchas referencias las columnas corresponden a la verdad del terreno y las filas a los resultados, entonces la matriz de confusión es la traspuesta de la descrita arriba.
Por otro lado, nombraremos como N el número total de vóxeles de cada imagen.
N = número total de vóxeles de la imagen
Valores estadísticos
En principio tenemos que: TP + FP + FN + TN = N
Misclassification Ratio or Mean error: MCR = (FP + FN) / N
Jaccard Similarity: Jaccard = TP / (TP + FN + FP)
Dice's Coefficient: DC = (2*TP) / (2*TP + FN + FP)
Dice is similar to Jaccard but gives twice the weight to agreements.
It is also known as "overlap ratio" when used for segmentation validation. This sensitive measure varies in the range [0,1]...
For medical images, values greater than 0.6 for smaller structures and 0.8 for larger structures are considered good by some authors (Avants et al., 2007).
Precision: is the proportion of the predicted positive cases that were correct, as calculated using the equation: precision = TP / (TP+FP)
True Positive Rate or Sensitivity or Recall: TPF = TP / (TP + FN) = sensitivity
Puede ser multiplicada por 100 para expresarlo como un porcentaje.
F-score: Precision x Recall
True Negative Rate or Specificity: TNF = TN / (TN + FP) = specificity
Puede ser multiplicada por 100 para expresarlo como un porcentaje.
False Positive Rate: FPF = FP / (FP + TN) = 1 - specificity
Puede ser multiplicada por 100 para expresarlo como un porcentaje.
Segmentation Accuracy : SA = ((TP + TN) / N) (x 100)
Accurate Segmentation Ratio :
The ASR is only meaningful when we are dealing with multiple class problems: Gray Matter, White Matter and CSF. Then we will have specific contigency matrices, one for each class of the problem. So, in our problem we have three contingency matrices, one for each brain tissue class:
TP_c, FP_c, TN_c, FN_c, N_c where c = GM, WM or CSF
Then, ASR = (sum_c TP_c) / (sum_c (TP_c + FP_c ))
where sum_c means the sum over all different classes.
The ASR provides the overall evaluation based on the entire image volume, while TPF and FPF are used to measure the performance of different algorithm for a specific tissue.
Nota
The difference between ratio and fraction in the literature seems to be that the ratio is a value between 0 and 1, while the fraction seems to be a percentage (ratio x 100).
Otras referencias
http://en.wikipedia.org/wiki/Sensitivity_and_specificity
http://en.wikipedia.org/wiki/True_positive
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
http://www.medcalc.be/manual/roc.php
http://www.fraudwiki.org/index.php/Measuring_Performance
http://people.revoledu.com/kardi/tutorial/Similarity/Jaccard.html
http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=1283110
Autores
Resumen hecho por Alexandre Savio de una comunicación por correo electrónico con Manuel Graña, Maite García-Sebastián, Jean-Luc Lor y Charlotte Rosak
Cualquier añadido, correción o comentario será bienvenido.
