《表3 本文方法与医学研究人员及U-Net和UNet++的结果比较》

  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。