Évaluer un modèle de classification dans QuPath
Évaluer un modèle de classification dans QuPath
Objectif
À la fin, vous aurez reproduit cette étape de bout en bout sur un cas test.
Avant de commencer
- Annotations d’entraînement déjà préparées.
- Classes cibles définies sans ambiguïté.
- Jeu de validation séparé.
Pas à pas
- Exporter les prédictions et la vérité terrain en CSV.
- Calculer matrice de confusion et F1-score par classe.
- Identifier les classes avec rappel faible.
- Revoir les erreurs typiques sur image.
- Valider le modèle avant déploiement cohorte.
À copier-coller
import pandas as pd
from sklearn.metrics import classification_report, confusion_matrix
df = pd.read_csv('pred_vs_gt.csv')
y_true, y_pred = df['gt'], df['pred']
print(confusion_matrix(y_true, y_pred))
print(classification_report(y_true, y_pred, digits=3))
Vérifier que ça marche
- Les métriques du modèle sont calculées.
- Les erreurs majeures sont identifiées.
- Le modèle final est sauvegardé et traçable.
En cas de problème
- Rééquilibrer les classes d’entraînement.
- Vérifier la qualité des annotations de vérité terrain.