《表2 采用不同改进策略的U-Net网络在皮肤病图像分割任务上的实验结果》
本文设计5组实验来评估改进的I-Unett网络在皮肤病分割任务中的性能,分别对空洞卷积、Inception架构、RCNN网络以及CRF后处理进行实验测试。图5对实验结果做了可视化处理;图5a) 代表原始图像;图5b) 代表模型预测输出的热力图(即概率图);图5c) 代表实际标注;图5d) 代表在没有采用CRF后处理情况下,改进的I-Unet网络的预测结果,图5e) 代表在使用CRF后处理之后的预测结果。从图5中可以看出,CRF作为图像后处理,能一定程度上精细化图像边缘分割,使得图像病灶区域的分割更为准确。表2给出了各个改进方案下模型取得的效果,比较表中5个模型:U-Net1,U-Net2,U-Net3,U-Net4以及I-Unet,当采用经典U-Net网络(U-Net1)进行预测时Jaccard系数仅为0.744,Dice系数为0.815。结合图5可视化结果可知,在加入本文提出的各种改进方案之后,每一种改进方案,都在一定程度上提升了模型性能。其中I-Unet模型预测效果达到最佳,Jaccard系数为0.780,Dice系数为0.871。实验结果表明,本文所提出的改进方案能有效提高皮肤病图像的分割精度。
图表编号 | XD0078683400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.15 |
作者 | 蒋宏达、叶西宁 |
绘制单位 | 华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |