در گزارش شناسایی خودکار لندمارکها معمولاً با فاصلهٔ نقطهٔ پیشبینیشده از مرجع روبهرو میشویم. این عدد برای مقایسه مفید است، ولی بهتنهایی نمیگوید اندازهگیری نهایی برای کاربرد موردنظر مناسب است یا نه. همهٔ نقاط و همهٔ جهتهای خطا پیامد یکسانی ندارند.
از میانگین عبور کنید میانگین کلی میتواند عملکرد ضعیف در چند نقطهٔ دشوار را پشت عملکرد خوب در نقاط دیگر پنهان کند. جدول تفکیکشدهٔ لندمارکها، پراکندگی خطا و نمونههای ناموفق را ببینید. اگر مقاله فقط یک عدد کلی دارد، دامنهٔ قضاوت شما هم محدود است.
آستانهٔ عددی را با کاربرد بسنجید مرور چتری شناسایی خودکار لندمارکهای سفالومتری مسئلهٔ مناسب بودن آستانهٔ رایج دو میلیمتر را مطرح میکند. از این نکته نمیتوان یک آستانهٔ جایگزین برای همهٔ کاربردها ساخت. پرسش بهتر این است که خطای هر نقطه چه تغییری در اندازهگیری مورد استفاده ایجاد میکند و مطالعه این ارتباط را چگونه بررسی کرده است.
بازبینی انسانی را طراحی کنید در یک روند پیشنهادی، نرمافزار نقاط را ارائه میکند و خواننده پیش از قبول محاسبات، آنها را بازبینی میکند. زمان اصلاح و تعداد نقاط جابهجاشده ثبت میشود. اگر سرعت مزیت اصلی محصول است، زمان کل کار با اصلاحات را اندازه بگیرید، نه فقط زمان اجرای مدل را.
مقایسهٔ منصفانه نسخهٔ مدل، تعریف نقاط، نوع تصویر و مرجع انسانی را ثابت نگه دارید یا تفاوت آنها را گزارش کنید. مقایسهٔ جدول دو مقاله با جمعیت و تعریف متفاوت، رتبهبندی مستقیم محصولات نیست. خلاصهٔ ارزیابی باید این محدودیتها را به اندازهٔ عدد عملکرد در معرض دید قرار دهد.
منابع این یادداشت
- مرور چتری شناسایی خودکار لندمارکهای سفالومتری pubmed.ncbi.nlm.nih.gov
- مرور نظاممند تحلیل سفالومتری دوبعدی و سهبعدی pubmed.ncbi.nlm.nih.gov
دربارهٔ نویسنده
دکتر میلاد جلالی
بنیانگذار ریسرچ ادیتور و محتوانگار. کار من به پژوهش، آموزش هوش مصنوعی و برندینگ پزشکی متصل است.
رزومه و سوابق ↖پروژهها ↖
