《表3 各U-net模型结果之间DSC配对t检验结果》

  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

《基于多种U-net模型的宫颈癌肿瘤超声影像靶区自动分割比较研究》

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

分割在医学图像的处理中起着关键作用。由于医学图像具有高度的噪声污染，为了可视化组织内部的相对位置和形状，常需要一个完整的分割算法。由于超声图像中目标和背景之间的对比度较低，对大多数解剖结构，特别是超声图像中的病变（结节）的准确分割仍然是一项具有挑战性的任务[26]。本研究提出U-net++＿re1、U-net++＿re2和U-net++＿re3由U-net++依次逐层还原拼接得到，由表2可知对于宫颈癌超声图像，自动分割的效果在逐层还原的过程中先变好，再变差，U-net++＿re2取得最好的分割效果；从表3可知U-net++＿re2优于U-net++，差异具有统计学意义，可见本研究提出的方法可以提高U-net++分割效果，而U-net++＿re2虽然平均值大于U-net++＿re1和U-net++＿re3，但差异没有统计学意义。U-net++＿re2对U-net++有优化的原因是超声图像斑点噪声存在，浅层网络的嵌套密集卷积将无意义的特征向量反复引入，导致了结果的下降。而在深层嵌套密集卷积，由于深层的特征包含更多分割特征，反复嵌套密集卷积使得重复采用深层分割特征而更优于U-net++＿re3。Amiri等[27]对U-net模型进行微调，在乳房US图像上的自动勾画得到的平均DSC为0.80±0.03。