《表2 不同深度网络模型在测试集上的评价指标平均值》

  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

《基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割》

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

/%

图4给出本文模型训练过程中损失函数随着迭代次数变化的曲线图，可以看出损失函数值在Adam优化器下能够很快衰减，趋于收敛。表2显示了不同深度网络模型在测试集上的评价指标，从表中可以看出，由于使用了残差双注意力模块，本文方法相比于U-Net的分割精度有明显提升，且高于其他方法。对比U-Net和U-Net（+BN）的评价指标可以看出，使用批量归一化对U-Net分割性能的提升有着很大的影响。同时将Seg-Net和U-Net（+BN）、FCN-vgg10的评价指标相比，三者的编码器和解码器都是由普通卷积块级联组成，且都使用了批量归一化，但是Seg-Net的精度却远低于其他两种模型，表明将下采样的索引用于上采样反而降低了分割性能。