Page 469 - 《软件学报》2024年第6期
P. 469
胡凯 等: 基于端到端深度神经网络和图搜索的 OCT 图像视网膜层边界分割方法 3045
AGR-Net
AGR-Net-GS
Manual
(a) 分割示例 1 (b) 分割示例 2 (c) 分割示例 3
图 6 在数据集 1 上对图搜索算法的消融实验可视化结果
AGR-Net
AGR-Net-GS
Manual 个都实现了最小误差, 仅在
(a) 分割示例 1 (b) 分割示例 2 (c) 分割示例 3
图 7 在数据集 2 上对图搜索算法的消融实验可视化结果
3.4.4 与已有方法的对比实验
为了对比各种分割方法的分割性能, 本文在两个数据集上与现有已有方法进行了对比试验, 实验结果分别见
表 5 和表 6. 除分割结果外, 为了衡量模型的推理速度, 本文还计算了各模型的计算操作总数, 即浮点运算数
(floating point operations, FLOPs), 模型的 FLOPs 越小, 计算量越低, 则表示模型的推理速度越快.
表 5 展示了本文的方法与数据集 1 上的 14 种主流方法的对比结果, 其中 Inter-Observer 表示两位专家标注的
差异. 除 IOWA [48] , Spectralis [49] 和 AURA [41] 的结果由对应开发的软件获得之外的对比方法的结果均经过实验得到,
其中 Bern [50] , OCTRIMA [17] 和 Pekala 等人 [33] 的结果摘自对应的论文原文, 其余方法的结果为本文复现. 为了保证
比较的公平性, 所有对比方法在实验过程中均使用了和本文方法相同的预处理和数据增强方法. 从表 5 中可以看
出, 本文方法在 5 个边界指标中的 4 Surface4 指标上比最好结果略微差了 0.02 个像素,
而其他边界误差均有大幅度的下降, 平均误差也下降至 0.91 个像素. 图 8 展示了本文方法与已有方法的可视化分
割效果对比, 可以看到, 本文方法的分割结果更接近专家人工标注的结果. 特别是与 DCNN-GS [25] 、MCNN-GS [39]
这类基于图像块的深度学习模型和图搜索算法结合的方法对比, 对于糖尿病患者视网膜层存在的轻微形变, AGR-GS
的分割结果更加平滑, 不存在明显的“断层”现象, 而与 U-Net-GS [42] 这类端到端方法的分割结果相比, AGR-GS 在
处理形变的边界时也更加精确.
