IoU

Parent: ai_keywords

IoU (Intersection over Union) 百科解释

核心定义

IoU（交并比）是计算机视觉中衡量预测区域与真实区域重叠程度的指标，定义为两者交集面积除以并集面积，值域 [0, 1]。在目标检测、图像分割等任务中，IoU ≥ 0.5 常被视为正确检测的阈值，是评估模型定位精度的核心标准。

关键技术点

  1. 评估指标基准
    IoU 直接反映预测框（或掩膜）与标注框的几何匹配度。在目标检测中，它是计算平均精度（Average Precision, AP）的基础，通过设定不同 IoU 阈值（如 0.5、0.75）可区分宽松与严格定位要求。

  2. 非极大值抑制（NMS）
    在目标检测后处理中，依据 IoU 值合并冗余候选框：当两个框的 IoU 大于设定阈值（如 0.5）时，保留置信度更高的框，从而消除重复检测。

  3. 与 Dice 系数的等价性
    在分割任务中，IoU 与 Dice 系数满足：IoU = Dice / (2 – Dice)。两者均衡量重叠度，但 IoU 对负样本更敏感，适合评估精确区域匹配。

  4. 变体与改进

    • GIoU (Generalized IoU)：引入最小外接矩形面积，缓解 IoU 为 0 时梯度消失问题。
    • DIoU (Distance IoU)：加入中心点距离正则项，加速收敛。
    • CIoU (Complete IoU)：综合考虑重叠面积、中心点距离和长宽比，提升回归精度。

医学/神经科学应用场景

脑胶质瘤 MRI 分割与术后规划（首都医科大学神经病学研究）

在首都医科大学附属北京天坛医院等机构的神经影像研究中，IoU 被用于评估深度学习模型对脑胶质瘤浸润区域的自动分割精度。例如，基于 U-Net 的模型输出肿瘤增强区、坏死核心及水肿区域的概率掩膜，通过与放射科医师手动标注的金标准计算 IoU，确定最优分割阈值（通常要求 IoU ≥ 0.85 方可进入临床辅助决策流程）。高 IoU 值可确保手术导航系统精准识别肿瘤边界，避免对周围功能区（如 Broca 区）的误切除，同时结合多模态 MRI（T1对比增强、DWI、Flair）的 IoU 一致性分析，还能量化不同模态对边缘感知的贡献，为制定个体化放疗靶区提供定量依据。