没有 "true positive" 数据的精确召回计算

Question

我正在对医学图像进行分割任务并尝试计算精度，并使用测试数据召回。图像的标签是0（背景）和1（对象）。

医疗情况下每个切片的检测对象会非常小，甚至没有对象。所以，如果有些切片的label都是0，不管我的预测结果是0还是1，TP和都会是0，混淆矩阵是这样的

     1    0
1    0    0 
0    5   95

问题是 精度和召回率将为 0，因为标签中没有正数 class。 TP 将为 0，总切片的平均召回率和准确率将非常低

recall = TP / (TP+FN)

precision = TP/ (TP+FP)

我该如何处理这些问题？如果这些情况发生在多class化任务上怎么办？

Answer 1

一次计算所有切片的混淆矩阵，而不是对每个切片结果进行平均。

对于多 class 化任务，您只需对每个 class 执行此过程，因为您想知道每个 classes 是如何分段的。因此，例如，当您首先查看 class 时，将所有其他 class 视为背景。

Precison-recall calculation with no "true positive" data