《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》

  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

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。