《表1 不同级联方式和损失函数实验对比Tab.1 Result of different structures and loss function》

  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

《利用关键点检测算法的超声图像定点测量》

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

实验结果见表1，展示在采用不同损失函数对最终二尖瓣距离测量精度的影响，并同文献[15]的级联方式以及文献[18]采用回归树的方法进行比较.即在第一级级联状况相同的情况下，将第二级改成普通的针对单个关键点进行精细化调整.从表中结果前两行可以看出仅采用第一层网络结构对点的定位效果很差，对左侧关键点和右侧关键点检测成功率均很低，最终的距离测量结果不理想，并且两种损失函数对最终距离测量准确度影响并不大.在采用两层网络的情况下，两个关键点定位效果明显好转，关键点检测成功率均达到了90%以上，对最终距离的准确度也大大提高.但从表中网络二选用不同的损失函数可以看出，在第一个网络采用欧式损失的情况下，第二个网络采用本文提出的损失函数在关键点定位精度上和采用普通欧式损失的网络区别并不大，但是在最终的距离准确度上效果要好很多，获得的平均距离误差也更小.而两个网络都采用本文提出的损失并不能提升定位效果和测量精度.并且对比文献[15]的级联方法，相对普通针对每个关键点进行精细回归的级联方法，在关键点检测和距离测量的结果上，本文提出方法精度上提升很大.在和传统学习算法的对比上，将在第一个网络输出的基础上，采用文献[18]的回归算法对检测结果进行调整，结果也显示本文的算法远远优于传统回归算法.