《表3 同类研究对比：一种改进的I-Unet网络的皮肤病图像分割算法》

  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

《一种改进的I-Unet网络的皮肤病图像分割算法》

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

将本文改进的I-Unet网络皮肤病图像分割方法与同样采用ISIC Archive官方数据的其他研究进行比较，比较结果如表3所示。文献[7]中采用迁移学习的方法，利用VGG-16作为基础网络，通过上采样形成U型网络进行训练，实验分割精度Jaccrad系数为0.754，Dice系数则有0.839。文献[8]提出一种多尺度网络特征融合的分割方法，实验以ResNet残差网络作为基本网络，最终Jaccard系数为0.760，Dice系数为0.844。文献[9]采用U-Net网络进行模型训练及测试，最终Jaacrd系数为0.762，Dice系数为0.847。文献[10]采用具有编码-解码架构的卷积神经网络（Convolutional-Deconvolutional Neural Networks，CDNN）做皮肤病图像分割，最终Jaccard系数精度为0.765，Dice系数为0.849。与其他研究相比，本文应用改进的I-Unet网络对皮肤病图像进行分割，获得了最佳的分割精度，说明了本文研究工作的有效性。