《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》
/%
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。
图表编号 | XD00163361500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.05 |
作者 | 徐宏伟、闫培新、吴敏、徐振宇、孙玉宝 |
绘制单位 | 南京信息工程大学自动化学院江苏省大气环境与装备技术协同创新中心、中国人民解放军63936部队、东部战区总医院医学工程科、东部战区总医院泌尿外科、南京信息工程大学自动化学院江苏省大气环境与装备技术协同创新中心 |
更多格式 | 高清、无水印(增值服务) |