如何计算3D分割掩码的Hausdorff距离？Monai与Scipy用法疑问

一、MONAI compute_hausdorff_distance 输出的含义与形状解析 #

• 输出形状原因：Hausdorff距离是衡量两个点集（某类别的真实掩码与预测掩码体素点集）之间的全局距离指标，最终输出是标量值，而非和掩码同形状的3D数组。它计算的是两个点集间「从一个点集到另一个点集的最大最近距离」的极值，是对整个类别分割结果的整体评估，并非每个体素的局部值。
• 输出含义：针对你的5分类任务，one-hot编码后输入函数，输出会是长度为5的数组（无batch维度时），每个元素对应对应类别的对称Hausdorff距离。比如索引0对应类别0的分割结果与真实掩码的距离，索引1对应类别1，以此类推。MONAI默认计算对称Hausdorff距离，即取「真实掩码点集到预测掩码点集的最大最近距离」和「预测掩码点集到真实掩码点集的最大最近距离」二者的最大值；也可通过参数direction设置为"oneway"计算单向距离。

二、Scipy逐切片计算2D Hausdorff再平均是否等价于3D Hausdorff距离？ #

答案是完全不符合，原因如下：

• 3D Hausdorff距离在完整3D空间中计算点集距离，会考虑体素在x、y、z三个维度的空间关联，比如真实体素在(z=1, x=2, y=3)，其最近的预测体素可能在(z=2, x=2, y=3)，这种跨切片距离会被纳入计算。
• 逐切片计算2D Hausdorff再平均时，每层切片独立计算，完全忽略z轴方向的空间联系，上述跨切片距离无法被捕捉，最终平均值和真实3D Hausdorff距离无等价性，不能作为3D任务的有效评估指标。
• 替代方案：若要用Scipy计算3D Hausdorff距离，可将3D掩码转换为点集（提取类别k的体素坐标，得到两个N×3和M×3的点集数组），再用scipy.spatial.distance.directed_hausdorff直接计算这两个3D点集的距离，即可得到正确的3D Hausdorff值。

内容的提问来源于stack exchange，提问作者Janikas