《表2 定量对比不同模型在测试集数据上的分割效果》

  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

《基于机器学习的低信噪比细胞图像分割》

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

为评价本研究模型，将其与3种经典的图像分割方法Ostu、Seg Net和FCN进行比较。其中，Ostu利用自动阈值进行图像分割。Seg Net使用4个卷积模块进行下采样操作，每个模块包括2或3次的卷积操作和1次最大池化操作。在对下采样结果连续4次上采样，每次图像扩大一倍。最终使用Sigmoid激活函数将结果二值化，得到分割结果。FCN使用VGG16预训练网络作为模型的下采样模块，该部分结构不参与训练。上采样使用Re Lu激活的反卷积操作，逐级将结果与VGG16的第5、4、3模块的最后一次卷积结果相加，得到最终的分割预测结果。两个模型都在binary cross entropy损失函数，Adam优化器的条件下进行训练，一共训练包含15轮，每轮包含640批处理，每批次包含2张图。训练后损失函数值和准确率都趋于稳定，两个模型的准确率都稳定在85%左右（表2）。