MID：医学图像分割的无配对分布级评估新指标

当 Dice 不够用时：医学图像分割评估的盲区

医学图像分割的评估长期依赖 Dice 系数和 Hausdorff 距离这类逐样本比较方法。它们要求每一张预测掩码都能与一张人工标注的 ground-truth 一一配对。这个前提在实验室里成立，在真实场景中却经常站不住脚。

一方面，当模型被部署到未标注数据上（这在临床上极为常见），逐样本指标直接失效——没有标注，就无从计算 Dice。另一方面，即便标注可用，逐样本指标也只能告诉你"这一张预测和这一张标注有多像"，却无法回答一个更宏观的问题：这一整批预测，是否在分布层面忠实还原了真实标注群体的结构？

来自 Caravel 实验室的研究者提出了 MID（Mask-Image Distributional Divergence），一个面向医学图像分割的分布级评估指标，试图填补这一空白。官方实现已开源于 github.com/erc-caravel/pytorch-mid。

Dice 系数（Dice Similarity Coefficient） 衡量的是预测掩码与真实标注之间的重叠程度，取值 0 到 1，公式为两倍交集除以两者像素（或体素）总数之和。它对大面积区域的重叠敏感，但在小目标或边界区域上容易给出偏乐观的分数。Hausdorff 距离 则取预测边界点集与真实边界点集之间的最大最近距离，对边界最坏情况极其敏感，常用于捕捉形状偏差和离群点。两者都属于逐样本（per-sample）指标：必须先有"这张图对应这张标注"的配对，才能计算。它们的共同局限是把每个样本独立看待，无法刻画一个预测集合整体的分布特性，也无法在无标注数据上直接计算。

核心洞察：分割质量是联合分布的性质

MID 的出发点是一句看似朴素却常被忽略的判断：分割质量是图像-掩码联合分布的性质。

一张掩码单独来看可能解剖学上完全合理——器官形状自然、边界光滑、没有明显伪影——但如果它对应的不是那张图像，它就是错的。传统的逐样本指标在配对存在时能捕捉这种错位，但它的视野被限制在单个样本内，无法度量"整体预测集合"与"真实标注集合"之间的分布差距。

MID 的做法是：直接比较参考集（真实图像-掩码对）和预测集（图像-预测掩码对）两个联合分布，完全不要求样本级对应关系。这使它同时捕获两个维度的信息——掩码本身的真实性（realism），以及图像与掩码之间的一致性（consistency）。换句话说，MID 既惩罚"长得不像器官的掩码"，也惩罚"长得像器官但配错了图的掩码"。

联合分布（joint distribution） 描述的是两个随机变量同时取值的概率结构，这里指"图像 X"与"掩码 Y"作为一对共同出现的分布 P(X, Y)。逐样本指标实际上是在给定配对 (x, y) 的条件下比较预测 ŷ 与 y，属于条件层面的度量；而 MID 比较的是参考集的 P_ref(X, Y) 与预测集的 P_pred(X, ŷ) 两个联合分布之间的差异。这意味着 MID 不关心"第 i 张预测是否对应第 i 张标注"，只关心两批 (图像, 掩码) 对的整体统计结构是否一致。正是这个视角的转换，使 MID 能同时惩罚掩码不真实（Y 的边缘分布偏离）和图像-掩码不匹配（X 与 Y 的依赖关系被破坏）。

13 个数据集上的系统验证

研究者在 13 个公开数据集上评估了 MID，覆盖 CT、MRI 和 MRA 三种模态。验证设计围绕几个关键问题展开：

追踪能力。 在跨 56 个器官组施加解剖学上合理的扰动（corruption）后，MID 能够在不使用逐样本 ground-truth 配对的前提下，跟踪 mean Dice 和 Hausdorff 距离的变化趋势。这意味着 MID 在无标注场景下可以作为传统指标的代理。

分布漂移检测。 MID 能识别不同模态之间、不同解剖结构之间的分布偏移（distributional shift），这是逐样本指标难以系统刻画的能力。

图像-掩码错位识别。 通过受控的 shuffling 实验（将图像与掩码随机打乱配对），MID 成功检测出图像-掩码错位。这直接验证了它对"联合分布一致性"的敏感度。

模型排名可靠性。 在真实的多个分割模型上，MID 产出的模型排名是可靠的，说明它不仅是一个诊断工具，也能用于模型选择。

分布漂移（distributional shift） 指测试数据或部署数据的分布与训练/参考分布不一致，在医学影像中常表现为扫描仪型号、成像协议、患者群体或解剖结构差异。逐样本指标在存在配对时仍可计算，但不能系统性地刻画"整体偏移了多少"。MID 通过直接度量两个联合分布的距离，天然对这类偏移敏感——即便每个样本的 Dice 尚可，只要预测集合的整体分布偏离参考分布，MID 就会给出警示。shuffling 实验 则是把图像与掩码随机重新配对，构造出"掩码本身真实但与图像无关"的受控场景，用来检验指标能否识别出这种联合一致性被破坏的情况，是验证分布级指标敏感度的常用手段。

为什么这对医学图像分割很重要

医学图像分割的落地场景往往是这样的：模型在一个标注数据集上训练完成，然后被推到大量未标注的临床数据上运行。此时团队最想知道的是——这批预测整体上靠不靠谱？有没有系统性的偏移？

Dice 和 Hausdorff 在这种场景下帮不上忙。MID 提供的思路是把评估从"逐张比对"提升到"分布比对"：你不需要知道每张图对应的正确答案，只需要判断整批预测的联合分布是否与参考分布一致。这对于标注稀缺的医学领域尤其有价值——标注成本高、专家资源有限，而无标注数据唾手可得。

另一个值得注意的角度是 MID 对"解剖合理性陷阱"的处理。一个分割模型完全可能生成看起来很像器官的掩码，但在特定图像上位置偏移或形状失配。逐样本 Dice 在配对存在时能发现这种错误，但在分布评估中，如果只看掩码边缘的光滑度或形状统计，就很容易被骗过。MID 通过联合分布比较堵住了这个漏洞。

局限与后续方向

MID 目前验证的数据集以 CT、MRI、MRA 为主，是否适用于超声、病理切片等其他医学影像模态，论文未做说明。此外，分布级指标对参考集的代表性和规模有隐含依赖——参考分布本身如果有偏，评估结论也会随之偏移。这些都是实际应用中需要留意的边界条件。

开源实现放在 github.com/erc-caravel/pytorch-mid，对医学影像 AI 团队来说，值得在评估流水线中试一试。