《表2 不同深度的UNet++网络预测结果比较》
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。
图表编号 | XD00143031300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.16 |
作者 | 张利云 |
绘制单位 | 南方医科大学生物医学工程学院、广东省医学图像处理重点实验室(南方医科大学) |
更多格式 | 高清、无水印(增值服务) |