医学图像分割评价指标全解析：从Dice到MSD的实战指南

1. 为什么单看Dice在真实项目中会翻车

1.1 一个让我印象深刻的失败案例

先讲个我自己项目里真实发生过的事。前几年做一个肝脏肿瘤分割的评估，A模型的Dice是0.87，B模型是0.85，看起来A模型赢了。但把两个模型的结果铺到CT序列上逐层看，我发现A模型在肿瘤边缘有一层食指厚的"糖霜"——把周围正常的肝组织也划拉进来了。B模型虽然Dice略低，但边界干净利落，外科大夫看了说"这个能直接用"。

问题出在哪？Dice对内部的大的重叠区域很敏感，但对边界上那薄薄一层错分，惩罚小得可怜。肿瘤表面如果有个区域和真值偏差了3毫米，体素数占比可能不到5%，Dice根本反映不出来，但在临床手术规划里，这3毫米可能就决定了能不能切干净，要不要多切一刀正常组织。

这个案例让我彻底改变了对待评价指标的态度：任何单一指标都不足以支撑一个医学图像分割项目的质量判断，必须理解每个指标在数学上到底在衡量什么，它在放大什么、忽略什么。这也是我写这篇文章的初衷——从一个踩过坑的人的角度，把从Dice到MSD这些指标掰开揉碎讲清楚。

1.2 医学图像分割评价的完整维度拆解

医学图像分割评价，表面上是"算个分数"，本质上是在回答三个问题：预测的区域和真实区域在位置和大小上有多吻合？边界形状有多接近？在临床应用最关心的局部有没有致命偏差？

这三件事，没有一个指标能同时回答。

重叠类指标（Dice、IoU、VOE、RVD）回答的是第一个问题，它们衡量体素集合的相似程度。距离类指标（ASD、HD、MSD）回答的是第二个问题，它们衡量表面之间的距离。还有一些临床导向的指标，比如过分割率、欠分割率、最大直径相对误差，回答的是第三个问题。

所以，构建评价体系的第一性原理是：根据你的分割目标，找到多个互补的指标，每个指标负责"盯住"一种可能出错的模式。只报一个Dice的论文和项目报告，在我这里一律视为评估不完整，不管结果多好看。

2. 重叠类指标家族：Dice、IoU、VOE、RVD的数学意义与实战选型

2.1 Dice和IoU：一对可以互相换算的"亲兄弟"

Dice的定义是两倍交集除以并集加交集：

[ Dice = \frac{2|X \cap Y|}{|X| + |Y|} ]

IoU（也叫Jaccard指数）定义是：

[ IoU = \frac{|X \cap Y|}{|X \cup Y|} ]

两者可以精确互换：

[ Dice = \frac{2 \times IoU}{1 + IoU} ]

这个换算关系意味着在实际项目中，这两个指标本质上是一个东西的不同尺度的表达。IoU的数值通常比Dice低一些——因为它在分母上把错分的体素算了两次。

打个比方：如果一个分割结果的IoU是0.75，乘以2再除以1.75，Dice就是0.857，看起来"好看"了不少。有些论文喜欢报Dice，也有用IoU的，两者没有优劣之分，但你在对比不同文献结果的时候，一定要先确认两边用的是同一个指标，或者自己换算过，否则对比完全失真。

从误差敏感度来看，IoU对小偏差更"苛刻"一些。在病变很小、比如只有几百个体素的时候，一个微小的偏移就会让IoU掉得很快，而Dice相对钝感。所以病灶越小，我越倾向于同时报IoU，避免Dice虚高给你一个"模型还行"的错觉。

2.2 VOE和RVD：器官移植场景里必须看的两个数

VOE（Volumetric Overlap Error）是1减去体素级的IoU，公式是：

[ VOE = 1 - IoU ]

它表示的是"预测体积和真实体积之间，有多大比例没有对上"。数值越小越好。RVD（Relative Volume Difference）则是相对体积差异：

[ RVD = \frac{|X| - |Y|}{|Y|} ]

这里X是预测，Y是真值，RVD可以大于0也可以小于0。正的RVD意味着预测的体积整体偏大（过分割倾向），负的则意味着偏小（欠分割倾向）。

这两个指标在器官分割、尤其是移植相关的场景里非常重要。举个例子，做肝移植手术的术前规划，肝脏体积的估算直接关系到移植后肝功能是否足够。如果一个模型Dice有0.9，但RVD是+15%，意味着它系统性多算了很多肝脏组织，放在这个场景里是致命的。反过来，有的模型Dice一般，但RVD非常接近0，说明它在总体积估计上很准，这是Dice给不了的信息。

所以碰到器官分割的评估任务，我的固定操作是：Dice + VOE + RVD三个放在一起看，RVD负责判断是否有系统性偏大或偏小的倾向，VOE负责量化总体失配率。

2.3 重叠指标的天然盲区：边界错分的"灰色地带"

重叠类指标有一个共同的数学盲区——对空间分布的均匀性不敏感。

假设预测结果和真值完全不重叠的面积被分散在100个细小区域，或者集中在一整片，只要总的重叠体素数相同，Dice和IoU算出来的值完全一样。但临床意义完全不同：一片连续的错分区域可能落在关键解剖结构上，而100个散点可能是噪声。

还有更隐蔽的问题：Dice对大结构偏移的惩罚不足。当一个结构本身很大，比如整个大脑皮层，即使边界整体向内收缩了5毫米，损失的体素占全体积的比例依然很小，Dice可能只掉零点零零几。但5毫米的边界收缩对神经外科导航来说已经不能被接受了。

重叠指标无法回答"边界对不对"的问题。要回答这个问题，必须上距离类指标。当年我天真地只靠Dice筛模型，后来被上级医生指着屏幕上的边界质疑问"这切面你们怎么评估的"，才彻底意识到这个盲区有多致命。

3. 距离类指标实战：从边界平均偏差到MSD的稳定性设计

3.1 ASD：告诉你边界的"平均状态"

ASD（Average Surface Distance，平均表面距离）的通用定义是：对于预测表面上的每一个点，计算它到真实表面上最近点的距离，然后对所有点取平均。严格对称的版本还会反向从真实表面到预测表面再算一遍，两个方向的距离取平均：

[ ASD = \frac{1}{|S_X| + |S_Y|} \left( \sum_{x \in S_X} d(x, S_Y) + \sum_{y \in S_Y} d(y, S_X) \right) ]

其中(S_X)是预测表面点集，(S_Y)是真值表面点集，(d(p, S))表示点(p)到表面(S)的最短欧氏距离。

ASD的实用价值在于，它用毫米这个物理单位来量化边界平均贴合度。当你说"这个模型的平均表面距离是1.2毫米"的时候，临床医生能立刻在脑中形成一个空间概念——这比抽象的小数直观得多。

但ASD有一个弱点：它是个平均值，个别大偏差会被大多数正常区域"平均掉"。就像一堆人里有一两个身高特别高的，平均身高看着正常。如果分割结果在某一个局部飞出去一大块，ASD可能只增加零点几毫米，你完全察觉不到。

3.2 HD：抓住"最坏情况"的那把尺子

HD（Hausdorff Distance，豪斯多夫距离）定义的是两个表面点集之间最大的最短距离：

[ HD = \max \left( \max_{x \in S_X} d(x, S_Y), \max_{y \in S_Y} d(y, S_X) \right) ]

翻译成人话：在预测表面上找一个点，它离真值表面最远，这个最远距离是多少？然后在真值表面上也找一个点，离预测表面最远，又是多少？取两者中较大的那个。

这个指标回答的问题是："你分割结果里最离谱的那个地方，离谱到什么程度？"对于三维重建、手术导航、放疗计划这类对局部极值敏感的任务，HD比Dice重要得多。一个Dice很漂亮的模型，如果在某层切片上把血管外壁的细小分支切错了一截，HD会立刻暴露出问题，Dice根本无动于衷。

不过HD也有让人头疼的地方：它对真值标注里的一个小噪声点极度敏感。如果标注人员手滑在远离病灶的地方点了一个孤立噪点，HD就会被这个噪点拉得很大，实际上模型没有大问题。所以HD更适合作为"最大值控制指标"，配合其他指标一起用，而不是单独当筛选用。

3.3 MSD：为什么百分位数的引入是工程实践的一大步

MSD（Maximum Symmetric Surface Distance）通常指对称表面的最大距离，在很多文献中和HD是同一个概念。但在实际的评测工具和竞赛中，MSD往往被实现为一个更稳健的版本——计算对称表面距离的某个高百分位数，而不是单纯的最大值。

拿医学分割十项全能竞赛（MSD Challenge）来说，官方实现里用的就是HD的第95百分位数作为稳健版本。这个设计非常聪明：去掉最极端的5%噪声点，剩下的最大值就是"排除异常点干扰后的最大偏差"。这个指标更适合在真实标注质量参差不齐的数据集上评估模型——不会被一两个标注抖动毁掉整个得分。

我自己实践下来的经验：如果是比赛或公开榜评测，看官方的MSD定义；如果是自己项目内部模型筛选，裸HD和95%分位HD都算一下。两个数接近，说明分割边界很稳定；差距巨大，说明有零星噪点或者某个切片出现了区域性错误，值得回去排查数据质量或者模型预测的可视化结果。

3.4 距离类指标的物理单位直觉：从体素到毫米的换算

距离类指标牵扯到一个工程细节——体素间距。医学图像的体素大小通常不是各向同性的，比如CT常见的层间距是1到5毫米，而面内分辨率可能是0.5到1毫米。计算表面距离时，如果直接拿体素坐标算欧氏距离，不同方向上的距离会被严重扭曲。

标准做法是：先把体素坐标乘上对应的spacing（体素间距）转换成物理坐标，再计算距离。这一步看似简单，但漏做的人不在少数。我之前评审过一些复现实验，HD算出来大得离谱，查到最后就是没乘spacing——把5毫米层厚的数据当成1毫米各向同性处理了。

此外，表面点的采样密度对距离估计也有影响。实际工程中，一般先在二值分割掩膜上用行进立方体（Marching Cubes）算法提取三角网格表面，然后在网格表面均匀采样点。采样点太稀疏，距离估计会偏高；太密集，计算量暴增。经验值是每个表面大约1万到10万个点，足以在合理时间内得到稳定结果，具体数量可根据体素分辨率微调。

4. 实战案例复盘：一个肿瘤分割项目里各种指标打架怎么办

4.1 项目背景与模型设计

为了让上面的理论落地，我复盘一个肝脏肿瘤分割项目的评估全过程。项目需求来自临床：用术前CT自动分割肝脏和肿瘤，辅助外科制定切除方案。数据共120例，包含不同期相的增强CT，层厚1到3毫米不等，肿瘤大小跨度很大，最小的病灶仅有200多体素，最大的占了半个肝叶。

我训练了三个模型做对比：第一个是经典UNet，第二个是UNet加注意力模块（Attention UNet），第三个是带深监督的ResUNet。训练策略一致，数据增强一致，用五折交叉验证评估，确保对比公平。

4.2 五个指标一起看时的数据对比

模型评估结果如下表：

单看Dice，Attention UNet和ResUNet打平，似乎加不加深度监督无所谓。但ASD差了不少，Attention UNet的1.21毫米对ResUNet的1.34毫米，说明它在边界贴合上明显更优。RVD上Attention UNet只有2.1%，ResUNet却有3.4%的系统性偏大——这解释了为什么它Dice不低但边界质量差一些。

真正拉开差距的是HD95：UNet的12.3毫米意味着某些切片上出现了严重的局部失控，这在肿瘤切除规划中是难以接受的。Attention UNet的8.6毫米虽然不算理想，但至少说明"最坏情况"是可控的。

这个案例的结论很清楚：如果只上报Dice，UNet看起来只差了0.02，可能会被误判为"基本可用"。但加上ASD和HD95，三类模型的质量差异立刻分明，只有Attention UNet进入了可以交付临床评审的候选线。

4.3 指标组合的"最低配置"建议

那么问题来了，实际项目里到底怎么选指标？我根据任务类型给一个最低配置建议：

• 病灶分割（小目标）：Dice + HD95 + RVD。Dice反映整体重叠，HD95抓住"最差切片"，RVD判断系统性偏差。
• 器官分割（大目标）：Dice + ASD + VOE。大器官对均值距离更敏感，ASD对边界质量很敏锐，VOE补充总体匹配情况。
• 放疗/手术规划类任务：Dice + HD95 + ASD + 过分割/欠分割率。这类场景局部极值直接关乎安全，宁可多算几个指标也不嫌多。
• 多器官多标签全分割任务：每个标签分开计算Dice + HD95，另外加一个全脑或全腹部的平均表面距离，评估整体协调性。

在实际业务汇报里，我的习惯是做一个"指标仪表盘"，把Dice、IoU、RVD、ASD、HD95全部列出来，每行一个测试模型或一个时间版本，一眼就能看出哪个模型在哪一类错误上更突出。这比只报一个平均数管用得多，也更经得起临床和合作方的追问。

5. 实操中绕不开的坑：工具实现差异、采样与标注稀疏性

5.1 不同库计算出来的HD可能天差地别

这是很多初接触评价指标的人最容易栽的坑。同样是"豪斯多夫距离"，不同工具包的定义和实现细节差异很大：

你可能会觉得"都是HD能差到哪去"，我实测过：同样一组分割结果，用体素级距离变换算HD，和用三角网格表面距离算HD，在薄壁结构或细长血管上能差出2到3倍。因为体素级方法把整个体素当成一个点，对角线距离全被算进去了；三角网格方法才是真正贴近"表面到表面"的定义。

所以在项目报告里，一定要记录指标计算用的是哪个库、哪个版本、表面是怎么提取的。没有这个信息，别人没法复现你的评估，你自己隔了半年回头看也不敢确定数字是怎么来的。

5.2 距离变换还是三角网格？

从实用角度出发，我的建议分两个层级：

如果只是快速查看模型效果，自己写脚本时用scipy.ndimage.distance_transform_edt做体素级距离变换就够了。先对预测体素取反，算每个背景体素到前景的最近距离，然后只取预测表面边界的距离值，再求平均或百分位。优点是实现简单、速度快，缺点如上所述，精度有限。

如果是要发论文、打榜、做严谨的横向对比，必须用Marching Cubes提取网格后计算点到三角面的距离。推荐medpy.metric.binary.hd95，它内部封装了表面距离计算，很多医学影像评估任务都以它作为基准。用之前一定要确认它读入的数据是0/1二值掩膜，并且自己处理好spacing参数，否则会自动假设体素各向同性。

我自己的项目模板里，评估代码和训练代码分两个仓库管理。评估仓库固定依赖某个版本的medpy或者Surface Distance库，并且每个指标都写了一个单元测试，用已知几何体（比如球体和立方体）验证数值正确性，防止依赖升级后数值漂移。这看起来有点过度设计，但在一个项目上跑两三个月之后，你会发现这是最省心的一种方式。

5.3 稀疏标注和逐层标注对距离指标的影响

医学图像标注通常分为两种模式：逐层密集标注（每一层切片都画轮廓）和稀疏标注（每隔几层标注一次，中间层插值获得）。这两种模式对重叠指标的影响相对温和，但对距离指标的影响非常刺眼。

稀疏标注下，真值表面不是真实解剖边界，而是插值生成的近似表面。插值会让表面看起来更平滑，但实际位置上可能偏移了几个体素。这时你计算的HD和ASD，实际上是"模型和插值表面之间的差距"，而不是"模型和真实边界之间的差距"。临床上后者的意义更大，但技术上只能算前者。

应对方法有两个：一是尽可能要求逐层密集标注，至少在评测集上做到；二是在解读距离指标时，把标注方式作为一个重要的协变量，标注间隔越大的数据集，对HD的解释要越保守。我见过一些公开数据集号称提供"金标准"，实际是稀疏插值出来的，用HD的时候很容易被误导，这种坑一定要提前排查。

5.4 体素间距归一化、边界腐蚀和裁剪不会告诉你的事

最后还有一个很少在论文里写明的操作：在计算距离指标前，很多资深团队会先对二值掩膜做一次边界腐蚀，去掉最外层的孤立单体素噪声。这个操作能把标注抖动和预测噪声带来的HD虚高压下去，但也可能把真实的细长突起腐蚀掉，导致HD偏低。要不要腐蚀、腐蚀多少半径，必须提前固定下来并写进评估配置，不能每轮评估都改。

体素间距归一化也很关键。数据集里如果混着1毫米和3毫米层厚的图像，直接混合计算距离，3毫米层的表面距离天然会有系统偏大。建议先把所有图像和标签重采样到统一的各向同性分辨率（比如1×1×1毫米），再跑评估。重采样本身会引入轻微插值误差，但比起不同层厚之间的系统差异，这个误差是可以接受的。

6. 构建一套有说服力的评价体系：统计检验与结果呈现

6.1 配对检验：两个模型谁更好，不能靠平均分拍脑袋

评估指标的另一个常见误区是只看均值，不看方差。A模型平均Dice比B模型高0.01，好像更好，但如果看每个测试样本的配对差值，方差很大，那0.01的差距很可能是噪声。

正确的做法是做配对样本的显著性检验。比如同一组100个病例，分别用A和B模型推理，可以得到100个配对Dice差值。对这个差值序列做Wilcoxon符号秩检验或者配对t检验，如果p值足够小（比如小于0.05），才能说A模型显著优于B模型。否则，哪怕均值高，也只能说"两者在当前数据上没有显著差别"。

医学图像分割任务样本量一般不大，数据分布也不是严格正态，Wilcoxon符号秩检验更稳妥。它对异常值不敏感，而且只需要配对的差值方向信息，几乎成了我的默认选择。

6.2 置信区间和箱线图的呈现艺术

除了假设检验，展示指标的分布信息比只报一个均值更有价值。

我用箱线图展示Dice、HD95在测试集上的分布。箱体越窄，模型越稳定；箱体拉开一长串，说明有病例分割效果很差。对HD95这种极易被极值干扰的指标，箱线图上的离群点往往直接指向质量有问题的病例，值得逐个可视化检查。

如果数据量够，还可以画每个病例的得分散点图，用Dice做横轴、HD95做纵轴，落在右上角的病例都是"双高"的好结果，左下角的则是需要重点检查的失败案例。这种图在给临床合作方汇报时特别好用，比一堆小数直观得多。

6.3 把指标与临床结局挂钩：评估的终点是决策

评价指标本身不是目的，最终的落脚点是辅助决策。我在几个项目里尝试过把分割评估和下游临床任务串联起来：

• 放疗计划场景中，分割质量决定剂量分布误差，可以计算"基于分割的剂量误差"作为终极指标。
• 手术规划场景中，分割边界决定切缘距离，可以计算"预测切缘距离 vs 真实切缘距离"的偏差。
• 病灶负荷评估场景中，分割体积决定肿瘤分期，可以计算"分期改变率"。

这种做法的好处是，当有人质疑"Dice 0.85够不够用"时，你可以直接用下游任务的性能损失来回答。比如某个模型虽然Dice只有0.84，但肿瘤分期准确率95%，和Dice 0.90的模型差异不大，那它在这个临床任务上的价值就完全可以接受。指标永远是手段，决策质量和患者安全才是目的。

7. 从指标到判断：写在最后的一点体会

每次有人让我推荐一个"最好的分割评价指标"，我的答案都是一样的：不存在这样的指标。Dice告诉你整体重叠程度，IoU对局部偏差更敏锐，RVD暴露系统性体积偏移，ASD描述平均边界状态，HD95震慑最坏情况。它们合在一起才能拼出分割质量的全貌。

我自己在评估流程上已经形成了一套固定的习惯，这里分享给大家参考：每个项目建一个评估清单，包含至少一个重叠类指标、一个平均距离类指标、一个最大距离类指标，外加一个和任务强相关的临床指标；所有指标用同一个固定版本的工具库计算，并在配置文件里记录spacing、采样密度、是否腐蚀等全部参数；每个模型的评估结果必须配两张可视化图，一张是边界叠加图，一张是距离热力图，光有数字不看图，评估就是盲人摸象。

医学图像分割的评价是一个既需要严谨数学语言，又需要大量工程直觉的活。希望这篇从Dice到MSD的实战拆解，能帮你少踩一些我当年踩过的坑，在你的项目里建立起一套真正可信、经得起推敲的评估体系。