《表2 Mask R-CNN验证结果》

  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

《基于深度神经网络Mask R-CNN胆囊癌辅助识别系统临床应用价值研究》

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

在实验中，采用迁移学习的方法，通过公开数据集Image Net预训练参数对模型进行初始化。训练时采用的部分超参数如表1所示。实验中采用Res Net101作为基础网络进行实验分析，经过12 000次迭代训练后，模型收敛，训练过程中损失函数如图3所示。通过损失函数可见模型很好地进行了收敛。图4展示了测试数据的预测结果，预测结果包括对胆囊区域的定位、分割以及胆囊类型的预测，由预测结果可见模型在胆囊癌检测中还存在一定的误差，对一些形态轮廓比较明显的胆囊可以进行有效的分割，胆囊形态改变的检测还存在一定的问题。最后，表2列出了模型最后的实验结果，通过设置不同的Io U阈值来对模型检测边界框和掩膜的性能进行综合评价。交并比Io U衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积（重叠部分只计算1次）的比例，在目标检测任务中，如果模型输出的标记框与人工标注的标记框的Io U值大于某个阈值时（通常为0.5）即认为模型输出正确。对Io U分别取0.5、0.75、0.5∶0.95 3个范围，其中0.5∶0.95是在其范围内每个0.5计算1次结果，然后对所有结果取均值。由表2可见在阈值为0.5和0.75的时候，模型对目标检测的边界框和掩膜的检测精度均较好，但是在0.5∶0.95的时候结果不佳，在此又计算了其召回率，来综合判断其性能。