MID：医学分割的联合分布评估指标

基于摘要分析。本文针对医学图像分割评估依赖逐样本真值配对、难以衡量预测集合整体分布结构的问题，提出分布级指标 MID（Mask-Image Distributional Divergence）。其核心贡献是比较参考集与预测集的图像—掩码联合分布，同时考察掩码本身的合理性及其与对应图像的一致性。 传统 Dice 和 Hausdorff distance 衡量单个预测与配对真值的差异；MID 则不要求参考集与预测集之间存在逐样本对应关系。这里需要区分两种配对：集合之间不必逐样本匹配，但集合内部的图像—掩码关系仍是评估对象。该设计针对“掩码单独看符合解剖结构，却不适合所配图像”的情形；不能将其解读为完全不需要参考掩码或标注资源。 作者报告，在涵盖 CT、MRI 和 MRA 的 13 个公开数据集、56 个器官组上，采用符合解剖合理性的扰动进行评估，MID 在无需逐样本真值配对时能够追踪平均 Dice 和 Hausdorff distance 的变化。作者还报告，MID 能检测跨模态和解剖结构的分布偏移，通过受控打乱实验识别图像—掩码错配，并在真实分割模型间产生可靠排序。摘要未给出具体相关性数值、排序一致性指标或不确定性估计，不能据此量化其优势。 复现时需核对联合分布的表征方式、差异估计方法、参考集和预测集的构成与规模，以及分布偏移是否会与分割错误混淆。摘要称已提供官方实现，但代码内容、数据划分、对照设置、消融及统计信息尚未验证。本文主要研究医学图像分割评估，现有材料不足以建立其对 EEG 或 BCI 的直接适用性。