《表2 消融实验结果：基于DB-Net的CT图像自动化肝脏分割方法》

  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DB-Net的CT图像自动化肝脏分割方法》

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

为了验证该方法中不同组件的有效性，在Li TS 2017数据集上与其他网络进行了对比，如表1所示。可以看出，网络模型跟2D FCN[17]和2D dense-FCN[18]相比，本文所提出的网络在分割性能上有很明显的提升，其结果建立于相同设备中相同的测试数据。除此之外，还做了一些消融实验，实验结果如表2所示。如表2中的Dice Similarity Coefficient （DSC）、Io U （Intersection over Union）和Jaccard系数所示，可以看到与基础网络框架DLLS相比，设计的两个模块大大提高了分割性能。其中，加入特征融合模块之后与基础架构DLLS相比DSC和Jaccard系数分别提高了1.39%和2.3%；应用了双分支解码路径之后DSC值和Jaccard系数分别达到了93.55%和89.25%，分割性能与基础网络架构相比提高了1.61%。以此可以说明本文所提出的特征融合模块和双分支解码路径是有效的，而且极大提高了其网络模型的分割性能。