《表2 不同损失函数的分割结果比较》

  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

《改进的卷积神经网络在肺部图像上的分割应用》

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

%

由于此次实验选取的样本体积相差较大，因此在做器官切片时，存在大量包含小目标的切片，单张图像中目标像素占比较小，这样会导致正负样本数据不平衡，使网络训练较为困难。二分类交叉熵损失函数的一个局限性是它对假阳性（FP）和假阴性（FN）检测的权重相等，因此交叉熵损失函数不是最优的。为了证明使用Tversky loss作为损失函数能够有效提升分割性能，本文在最优网络框架中分别使用Tversky loss和二分类交叉熵损失函数进行对比实验。此处，假阴性检测的权重需要高于假阳性，因此Tversky loss中参数相对应的设置α=0.7，β=0.3。使用不同的损失函数对分割结果的影响如表2所示。