《表2 不同深度的UNet++网络预测结果比较》

  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

《融合型UNet++网络的超声胎儿头部边缘检测》

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

注:加粗字体表示最优结果。

首先，比较UNet++网络下采样的次数对模型预测性能的影响，即增加网络深度对模型的影响。本文中，执行3次、4次、5次下采样的UNet++记为UNet++＿3、UNet++＿4、UNet++＿5。表2展示了网络深度对模型预测结果的影响以及网络训练的参数量大小。比较UNet++＿4和UNet++＿3，Dice提升0.62，HD下降0.28 mm，AD下降0.14 mm。UNet++＿5的表现比UNet++＿4有所提升，Dice提升0.08，HD下降0.06 mm，AD下降0.11 mm。因此，随着网络深度增加，模型的分割效果越来越好。但是，相较于UNet++＿3和UNet++＿4之间分割性能的提升，UNet++＿5分割性能提升并未像UNet++＿4那样显著。此外，随着网络层次加深，模型参数量也随之明显增加，即每增加一次下采样，模型参数量约为原来的4倍。由此可见，UNet++网络模型性能优化需要在模型参数量和模型性能之间权衡，增加网络下采样深度并不是提升UNet++模型性能的最佳解决方法。