《表4 对比在DRIVE,STARE和CHASE＿DB数据集中不同算法的性能》

  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

《基于残差卷积注意力网络的视网膜血管分割算法》

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

表4列出了在DRIVE、STARE和CHASE＿DB1数据集上本文所提的分割方法与其他一些现有的分割方法进行比较．本文所提方法在DRIVE数据库的测试集中其中特异性表现较好，其他方面表现一般，文献[22]的准确率和灵敏度比本文方法分别高了0.0069和0.0619，但本文方法的特异性比文献[22]结果高了0.0049．文献[24]的AUC和灵敏度比本文方法分别高了0.0051和0.0181，但本文方法的特异性和准确率分别比文献[24]结果高了0.003和0.007．本文方法在STARE数据集和CHASE＿DB1数据集的表现非常优秀．在STARE数据集中，文献[22]的灵敏度比本文方法高0.0371，但是本文方法的特异性与准确率比文献[22]的结果分别高了0.0135和0.0166．文献[24]仅在CHASE＿DB1数据集的灵敏度比本文方法分别高0.0215，但在STARE数据集和CHASE＿DB1数据集的其他指标效果都低于本文方法．总体来说，本文方法在不同数据集上特异性与准确率的结果相对较好，说明加入残差和卷积模块的注意力机制的算法有较强的鲁棒性．