Page 328 - 《软件学报》2021年第11期

3654 Journal of Software 软件学报 Vol.32, No.11, November 2021

从图 5 可以看到,因为第 1 阶段的损失函数会丢弃易分样本,所以图 5(c)和图 5(e)中存在低概率值的背景点.
但是经过第 2 阶段的训练之后,这些背景点的概率值被抑制,这在图 5(d)中尤为明显.图 5 中两阶段分割效果图
的变化与表 2 中准确率和召回率的提高是相对应的.最后,从图 6 可以看出网络已经收敛.

(a) 眼底图像 (b) 专家标注

(c) 第 1 阶段微动脉瘤分割概率图 (d) 第 2 阶段微动脉瘤分割概率图

(e) 第 1 阶段出血点分割概率图 (f) 第 2 阶段出血点分割概率图
Fig.5 Segmentation probability maps for microaneurysms and hemorrhages
图 5 微动脉瘤和出血点分割概率图

表 3 是本文方法与其他方法的对比.与 HED,FCRN,Deeplabv3+和 Clément 等人的这些方法相比,Red-Seg
在两种病变点分割任务上取得了更好的 AUC_PR.主要原因在于:这些模型使用简单的交叉熵损失函数训练,并
没有考虑难分样本的问题,所以存在比较严重的误分情况,以致于这些模型的准确率和召回率都比 Red-Seg 低.