《表3 本文方法与医学研究人员及U-Net和UNet++的结果比较》
注:加粗字体为最优结果,“-”表示文献中无此参数。
为全面评估模型的性能,使用Dice系数、HD距离和头围AD等3项指标对模型进行定量评估。在表3中,融合型UNet++的深层输出和融合输出的指标相近,深层输出的结果略优于融合输出,两者均优于常规的UNet++。由此可见,通过对UNet++融合后的特征进行监督,可以提升网络整体性能,但是因中层特征较粗糙,融合输出效果略差于深层输出。本文让融合特征对整体网络起到监督学习的作用,促进网络最大限度地学习图像特征,进一步提升深层输出的预测精度。融合型UNet++与UNet++相比较,融合型UNet++模型表现优于UNet++_5,且参数量仅是UNet++_5的1/4,与UNet++_4相比,参数量相差不大。该结果表明,融合型UNet++能够在不增加网络参数量情况下取得很好的分割性能。3种网络结构的头围测量误差均小于医学研究人员的测量误差,融合型UNet++表现最好,与医学研究人员的测量结果相比,所有评估指标均显著提升。结果表明,本文方法可以有效辅助缺乏经验的医生完成胎儿头围测量。
图表编号 | XD00143032000 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) |