Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

Assignment strategy (FP2.5.8) - double assignment, one prediction for multiple references.. also covered?

Aperta
#48 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
5/5
Tempo stimato
Più di una settimana
Idoneità per principianti
25/100
Tipo di issue
Bug
Chiarezza
Da chiarire
Stato di attività
Ferma
Stack tecnologico
python
Ambito
computer-vision, machine-learning

Direzione di ricerca

Iniziare da MetricsReloaded/utility/assignment_localization.py intorno al codice referenziato per la risoluzione delle ambiguità alla riga 510, quindi confrontare la domanda con l’issue collegata di BraTS-2023-Metrics. Determinare il trattamento previsto per i riferimenti e le predizioni non corrispondenti e come vengono definiti i conteggi di TP, FP e FN; il lavoro è completato quando esiste una risoluzione chiaramente documentata o testata.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

Dear Metric Reloaded Team,

I have worked with Brain metastases data, and I was confused when I evaluated lesion-wise (instance-level) detection metrics (F1 -score) from predicted segmentation. Currently, I match each lesion if there is overlap, or overlap(DSC) > 0.1. And I observed that there are quite multiple assigned cases in both ways (one pred - multiple GTs, multiple pred - one GT). That's how I visit your great work (Metric Reloaded) to get some guidance.

I have briefly checked resolve ambiguity code, but I'm still not sure whether this code also treat the remained GTs as FN or ignore them. Or counting TPs is always based on GTs?

I illustrated this issue with the image in the below repository as well, since I used their code.

https://github.com/rachitsaluja/BraTS-2023-Metrics/issues/11

Lingua principale
Python
Stelle
104
Fork
18
Nessuna PR unita negli ultimi 30g

Guida per i contributori

Nessuna guida per i contributori indicizzata per questo repository

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di Project-MONAI/MetricsReloaded

Tutte le issue di Project-MONAI/MetricsReloaded

Issue simili

Altre issue su Python

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.