《表1 不同分割模型在DSC、VOE、RVD、精确率和召回率上的评价结果（±s,%)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于2.5D级联卷积神经网络的CT图像胰腺分割方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从实验结果中的表1可以看出，本文提出的CSNet在5个评价指标上都取得了较好的结果。2.5D UNet网络模型的分割结果优于2D UNet，这是因为2.5D的输入更有效地利用了胰腺三维结构信息；深度监督2.5D UNet网络模型SNet是在特征组合时，在最后一次反卷积之前加一个深度监督层，通过下采样层的监督，使网络能够保留更多的结构信息；同时，在深度监督层上使用与主网络不同大小的卷积核（图2），这样能够得到不同视野的组合特征，从而利用更多的细节信息[19-20]，最终获得比2.5D UNet更好的分割结果。CSNet及其两个子网络SNet1和SNet2的分割结果均优于其余传统的UNet分割模型，即使相比于单独的深度监督2.5D UNet网络模型SNet，也明显有很大提升。在训练过程中，同时训练两个子网络和概率融合网络，对3个部分的能量函数进行联合优化，与只训练最后的概率融合结果相比，这样的训练方式使3个部分在各自优化的同时可以相互促进，而又不会因为只注重全局优化而失去能够进一步整个网络的分割结果的细节信息。