《表2 AUnet与传统Unet及DDNN检测小器官的比较》

  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

《基于自适应Unet网络的鼻咽癌放疗危及器官自动分割方法》

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

作为深度学习最流行的算法之一，深度卷积神经网络由多个卷积层和池化层组成，可以提取多层次的视觉特征，用于自动预测。这些池化层会从x，y，z方向同时下采样，而头颈部放疗危及器官中包含很多小器官，其中如视神经、视交叉这些小器官所占的层数较少，一般只有两到三层。而经过多次的池化后，小器官的特征很容易被丢失，使得小器官的分割精度不高。本模型对内存需求较大，所以没有采用太深的特征提取网络，这可能是导致小器官分割效果不理想的主要原因。在接下来的研究中，我们将尝试设计更深的特征提取结构来进行对比分析，以进一步提高分割表现。Zijdenbos等[40]提出DSC>0.7则表示两种重复度高，分割效果较好。表2列出了测试集小器官自动分割精度的量化评价指标（DSC和HD）值，AUnet分割的DSC值均在0.50以上（平均值为0.61)，HD值在4.0 mm内（平均值为3.4 mm），而小器官的DSC数值虽然低，但HD值仅为3.4 mm，也说明分割精度较高，其DSC数值低是因为小器官的体积较小，导致DSC计算数值较低。因为器官体积较小，左侧视神经、右侧视神经、视交叉的AUnet分割结果，有与手动分割存在统计学差异；但与传统的Unet和DDNN相比，已有较大的改进（表2）。