MID
一种面向医学图像分割的分布级评估指标，通过比较参考集与预测集两个联合分布来评估分割质量，无需样本级配对，同时捕获掩码真实性与图像-掩码一致性。
时间轴 (近 90 天)
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。
MID 的官方实现已开源于 github.com/erc-caravel/pytorch-mid。
MID 的出发点判断是：分割质量是图像-掩码联合分布的性质。
MID 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，同时捕获掩码真实性（realism）和图像-掩码一致性（consistency）两个维度。
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。
在跨 56 个器官组施加解剖学上合理的扰动后，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。
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）。
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。
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。
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。
还有 1 条时间轴事件
全部知识事实 (11)
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。
50%待验证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。
50%待验证MID 的出发点判断是：分割质量是图像-掩码联合分布的性质。
50%待验证MID 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，同时捕获掩码真实性（realism）和图像-掩码一致性（consistency）两个维度。
50%待验证研究者在 13 个公开数据集上评估了 MID，覆盖 CT、MRI 和 MRA 三种模态。
50%待验证在跨 56 个器官组施加解剖学上合理的扰动后，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。
50%待验证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）。
50%待验证通过受控的 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。
50%待验证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。
50%待验证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。
50%待验证MID 的官方实现已开源于 github.com/erc-caravel/pytorch-mid。
50%