《表5 本文方法与ISIC-2017前5项挑战记录的性能比较》

  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

《采用pix2pixHD的高分辨率皮肤镜图像合成方法》

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

为了验证合成数据的有效性，将本文方法与ISIC-2017挑战赛[22-26]中排名前5的方法的分类性能进行了比较，排行榜以2个子任务的平均AUC为排名指标，表5列出了对比结果.此外，排行榜上的方法大多采用外部数据集和集成策略来提高分类性能，为了使比较更加全面，表5中还提供了外部训练数据的数量以及是否采用集成学习作为参考.从表5可以看出，Matsunaga等[22]使用了额外的1 444幅图像和集成策略在2个子任务上获得了0.911的平均AUC，在排行榜上排名第1；Menegola等[23]使用高达7 544幅额外的图像以及集成策略获得了0.908的平均AUC，在排行榜上排名第2；本文方法获得了0.897的平均AUC，高于使用额外数据集和集成学习的文献[24，26]中的方法；同时，本文还与文献[25]方法进行了比较，这2种方法既不使用集成学习，也不使用外部训练数据，结果表明本文方法在平均AUC上提升了0.011.上述实验结果表明，本文方法所合成的皮肤镜图像可以提供有效的额外病变特征信息，从而提升了深度学习模型的分类性能.