《表4 加载预训练权重对性能影响》
注:加粗字体为最优值。
如图12和图13所示,从4个数据集中各选出了4幅图像,可视化5种模型的分割结果。UNet的分割结果容易受眼底图像中血管的影响;DRIU方法分割出的视盘边界比较粗糙;DeepDisc有错分现象。由于病理性近视彩色眼底图像在视盘区域周围往往有大范围的病变区域,这会影响视盘区域的分割。UNet、DRIU、CE-Net和DeepDisc方法容易受病变区域影响,导致不能很好地分割出视盘边界。相对来说,RA-UNet能够更好地从病变区域中识别出视盘区域,分割结果也更接近于专家实际标注结果。
图表编号 | XD00159735100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.16 |
作者 | 侯向丹、赵一浩、刘洪普、郭鸿湧、于习欣、丁梦园 |
绘制单位 | 河北工业大学人工智能与数据科学学院、河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省大数据计算重点实验室、河北工业大学人工智能与数据科学学院、河北省大数据计算重点实验室、河北省大数据计算重点实验室、河北省大数据计算重点实验室、河北省大数据计算重点实验室 |
更多格式 | 高清、无水印(增值服务) |