《表1 不同算法分割精度的比较》

  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

《嵌入注意力机制的多模型融合冠脉CTA分割算法》

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

实验中不同算法分割精度如表1所示，首先在20组病人数据集上测试了原始3D FCN网络在冠脉血管上的分割精度，JI和DSC均值能到达0.796 2和0.884 3，主动脉能准确分割出来但是冠脉的部分小血管存在一定的丢失。其次，又分别测试了在原始网络的一层跳跃连接和两层跳跃连接中分别嵌入注意力门控模型，发现两种改进后的网络模型分割结果的JI和DSC均值明显超越了原始网络，分别达到0.815 4、0.896 6以及0.811 9、0.893 6。特别在一些亮度不是特别明显的冠脉血管的分割上有较好的效果，如图6阶段（1）所示，通过原始网络的分割容易导致冠脉小血管的丢失（图中黄色箭头所示为未分割出血管部位），但是采用嵌入注意力门控模型的网络就能很好地弥补原始网络经常出现的这种问题，提升整体分割精度。然后，在可视化实验结果的过程中发现，虽然嵌入注意力门控模型在整体的效果上有所提升，却仍然会出现一些分割上的问题，如图6阶段（2）所示，原始网络的分割表现很好，但是在嵌入注意力门控模型的网络却出现错误判断血管的情况，误将杂质分割成了血管（图中黄色箭头所示为血管分割错误部位），造成部分效果甚至不如原始网络。针对这种问题，使用了一种多模型融合的方法，通过把原始网络，以及两个嵌入注意力门控模型的改进网络的预测结果通过多数投票算法来得到最新预测结果。实验结果证明，这种方法得出的分割结果的JI和DSC均值为0.821 4和0.900 5，优于以上三种模型中最好的结果。最后，从上述实验中发现如果只用深度学习的方法去分割血管，虽然能够把血管的骨架分割得很好，但是在一些细节处理上，特别是分割的轮廓上都会显示得比较粗糙，并不是很光滑，因此在最后还加入了后处理部分，采用水平集算法对已经分割好的血管边缘轮廓进一步迭代优化，如图6阶段（3）所示。并且，为了便于分析测试数据中每组病人数据的分割结果，还通过箱线图的形式对各组结果进行统计，如图7所示。图7中原始的3D FCN的每个病例结果以及均值都不高，在嵌入了AG的两个网络结果中均值相较于原始3D FCN的结果都呈现出较大提升，再进行三个模型融合后的结果不管在每个病例结果还是均值上都有明显提升，最终分割结果也是通过水平集方法在模型融合结果的基础上得到进一步优化。