我在一个图像数据集上实现了几种聚类算法。
我对得出集群的成功率很感兴趣。我必须检测肿瘤区域，在原始图像中我知道肿瘤的位置，我想比较这两个图像并获得成功的百分比。
以下图片：
原始图像：我知道癌症的位置
聚类后图像算法
我使用的是python 2.7。
最佳答案
分割精度
这是图像分割文献中常见的问题，例如here is a StackOverflow post
一种常见的方法是考虑“正确像素”与“错误像素”的比率，这在安全域的图像分割中很常见，例如，Mask RCNN，PixelNet。
将其视为更多的对象检测任务，您可以采取对象外壳的重叠并只测量accuracy（通常细分为precision, recall、f-score和其他具有various bias/skews的测量）。这允许您生成一个可针对假阳性/假阴性进行校准的ROC curve。
对于什么是正确的，没有领域不可知论的共识。KITTI provides both.
mask rcnn是一种开源的最新技术，提供了实现
在的python中
Computing image matching between segmented and original
Displaying the differences
在你的领域（医学），标准的统计规则适用。使用固定装置。交叉验证。等（*）
注：尽管文献空间非常大，但我还是提醒你看一些与领域相关的论文，因为它们可能比其他视觉（如数字识别）项目接受的“统计捷径”更少。
“Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool”在您的域中提供一些摘要方法
“Current methods in image segmentation”引用了大约2500条，但有点老。
“Review of MR image segmentation techniques using pattern recognition”还有点老，会让您安全地进入“传统”视觉模型。
Automated Segmentation of MR Images of Brain Tumors主要是关于其细分验证过程。
蟒蛇
除了上面的mask rcnn链接之外，scikit-learn还提供了一些非常用户友好的工具，被认为是标准科学“栈”的一部分。
在Python中实现图像之间的差异是很简单的（使用numpy）。这是一个过度杀戮。
python中的bounding box交集；我将使用类似于SO link的库。
Scikit Learn有一些很好的机器学习评估工具，例如，
is easy to implement on one's own
shapely if you want to measure general polygon intersection
ROC curves
Cross validation
文献检索
搜索答案时可能遇到困难的一个原因是，您试图在有监督的学习环境中测量无监督方法（集群）的性能。”“集群”在数学（**）中基本上定义不足。您希望查看受监督的学习文献以了解准确度度量。
也有关于无监督学习/聚类的文献，它们通常寻找拓扑结构。Model selection我不认为这是你想要的。
一个常见的问题，尤其是在规模上，是监督方法需要标签，这可以为密集分割A million others。对象检测。
有一些现有的医学数据集（Here's a very introductory summary、time consuming to produce accurately，例如）和makes it a little easier。如果这些都不是你的选择，那么你可能不得不重新考虑它是一个无监督的问题，但是评估在范围和实用性上变得非常不同。
脚注
[*]愿景人士有时会跳过交叉验证，即使他们不应该这样做，主要是因为模型适应速度慢，而且他们是懒惰的一群人。请不要跳过a[1]，否则您的结果可能毫无用处。
[**]你可以找到各种“正式”的定义，但决不能让两个人就哪一个是正确的或最有用的达成一致。[2]