Tanimoto katsayısının geleneksel doğruluk (yani Russell-Rao) üzerindeki faydası, bir segmentasyonun bir altın standardıyla karşılaştırılması sırasında görüntü analizinde belirgindir. Şu iki görüntüyü düşünün:
İkili 'maskeler' olan bu görüntülerin her birinde, aynı boyutta ancak biraz farklı konumlara yerleştirilmiş iki nesnemiz var ve bu nesnelerin örtüşmelerini değerlendirerek şekil ve konum bakımından ne kadar özdeş olduklarını değerlendirmek istiyoruz. Genellikle bir (örn. Mor maske) bir segmentasyondur (bir bilgisayar algoritması tarafından üretilen), örneğin bu, kalbi tıbbi bir görüntüden bulmak için bir girişim olabilir. Diğeri (örn. Yeşil) altın standarttır (yani uzman bir klinisyen tarafından tanımlandığı gibi kalp). Beyaz rengin olduğu yerde, iki şekil üst üste gelir. Siyah pikseller arka planlıdır.
İki görüntü aynıdır (yani, segmentasyon algoritmasının sonucu ve altın standardı, her iki görüntüde de aynıdır), ancak ikinci görüntüde çok fazla arka plan "dolgusu" (örn. 2. makinenin daha fazla vücut alanını kaplayan daha geniş bir ışına sahip olduğu iki farklı röntgen makinesi, ancak aksi takdirde kalbin boyutu her iki görüntü setinde de aynıdır).
Açıkçası, her iki görüntüdeki segmentasyon ve altın standardı aynı olduğundan, segmentasyon doğruluğunu altın standarda göre değerlendirirsek, metrikimizin her iki deneyde de aynı 'doğruluk' sonucunu vermesini isteriz.
Ancak, Russel-Rao yaklaşımını kullanarak segmentasyonun kalitesini değerlendirmeye çalışırsak, doğru görüntü için yanıltıcı derecede yüksek bir doğruluk elde ederiz (% 100'e yakın), çünkü "arka plan pikselleri olarak doğru bir şekilde tanımlanan arka plan pikselleri" kümelerin ve arka plan piksellerinin toplam doğruluğu ikinci kümede orantısız olarak temsil edilir. Tıbbi segmentasyonda örtüşmesini değerlendirmek istediğimiz nesneler genellikle büyük bir arka planda küçük lekelerdir, bu yüzden bu bizim için çok yararlı değildir. Dahası, bir segmentasyon algoritmasının doğruluğunu diğeriyle karşılaştırmaya çalıştığımızda ve ikisi farklı boyuttaki görüntüler üzerinde değerlendirilirse, bu sorunlara yol açabilir! (veya eşdeğer olarak farklı ölçeklerde).Gömme görüntünün ölçeklendirilmesi / boyutu, bir altın standarda göre bir segmentasyonun değerlendirilmesinde bir fark yaratmamalıdır! .
Buna karşılık, tanimoto katsayısı arka plan piksellerini umursamaz ve onu 'ölçek' ile değişmez hale getirir. Tanimoto katsayısı söz konusu olduğunda, bu iki kümenin benzerliği aynı olacaktır, bu da bir segmentasyon algoritmasının kalitesini değerlendirmek için kullanmamız için çok daha kullanışlı bir benzerlik metriği haline getirecektir.