《表1 本文模型生成的图像在U-net模型上分割的结果》

  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

《基于分步生成模型的视网膜眼底图像合成》

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

为了测试模型生成的视网膜图像在实际分割任务中的效果，我们采用了AUC、PRC线下面积、Jaccard相似系数以及F1分数4个指标来衡量以下四个不同数据集在U-net分割任务中的表现。首先，将Drive训练集中的20张眼底图做为真实数据集DataR（real），再用模型生成的20张眼底图像作为合成数据集DataF（fake）。将真实数据集DataR的一半替换为合成数据集DataF的一半，得到一个混合数据集DataM（mix）。最后合并DataR和DataF为一个增强数据集DataA（augment）。用以上4个不同的数据集训练出4个U-net模型，用Drive测试集进行测试，分别得到了AUC、PRC、Jaccard相似系数以及F1分数。以上实验重复了6次并取平均，结果如表1所示。可以看到，使用Data F数据集训练的结果和使用DataR数据集训练的结果差距不大，使用Data M数据集训练的结果与用DataR数据集训练的结果相近，其中PRC和F1略优于DataR数据集的结果，而使用Data A数据集训练的模型在4个指标上都明显优于DataR数据集训练的结果。以上结果说明，Ds GAN能准确捕捉到原始数据的分布，生成合理的医学图像及其标注，并且将生成的数据用于数据扩增能有效地提高分割性能。