Page 470 - 《软件学报》2024年第6期

3046 软件学报 2024 年第 35 卷第 6 期

表 5 在数据集 1 上与已有方法的 MUE 数值结果比较

Method (Year) Mean Std Max Surface1 Surface2 Surface4 Surface6 Surface11 FLOPs (G)
Inter-Observer 1.10 0.15 1.29 0.87 1.14 1.10 1.29 1.12 －
[50]
Bern (2013) 1.81 0.57 2.77 1.71 2.77 1.60 1.72 1.24 －
[17]
OCTRIMA (2015) 1.17 0.23 1.52 0.95 1.18 0.99 1.52 1.20 －
IOWA (2015) [48] 1.66 0.30 2.03 2.03 1.74 1.79 1.51 1.22 －
DFCN-GS (2015) [51] 1.44 0.24 1.76 1.11 1.65 1.76 1.42 1.25 362.16
Spectralis (2016) [49] 1.33 0.37 1.92 1.09 1.45 1.92 1.19 0.99 －
AURA (2017) [41] 1.23 0.22 1.54 1.35 1.19 1.12 1.54 0.96 －
DCNN-GS (2017) [25] 1.12 0.20 1.45 0.85 1.45 1.05 1.20 1.02 148.33
MCNN-GS (2019) [39] 0.99 0.10 1.13 0.82 1.05 1.00 1.13 0.96 145.25
Pekala等人 (2019) [33] 1.06 0.10 1.19 1.10 1.06 0.92 1.19 1.02 －
U-Net-GS (2020) [42] 0.97 0.12 1.16 0.80 1.04 0.92 1.16 0.90 364.39
LFU-Net (2021) [52] 1.48 0.63 2.41 0.85 1.59 2.41 1.61 0.98 253.74
2
CS -Net (2021) [53] 1.34 0.37 1.66 0.96 1.66 1.41 1.55 1.13 68.94
MAG-Net (2022) [54] 1.49 0.59 2.12 1.05 1.48 2.12 1.89 0.93 19.95
GLFR-Net (2022) [55] 1.20 0.37 1.41 0.82 1.36 1.41 1.28 1.13 60.17
AGR-Net (Ours) 0.97 0.17 1.14 0.78 1.09 1.10 1.14 0.76 87.76
AGR-Net-GS (Ours) 0.91 0.11 1.08 0.77 0.96 0.94 1.08 0.81 232.87

表 6 在数据集 2 上与已有方法的 RMSE 数值结果比较

Method (Year) Overall RBC IZ-RPE ILM-NFL FLOPs (G)
Inter-Observer 2.19±1.00 1.93±0.76 2.96±1.04 1.66±0.64 －
Chiu等人 (2012) [47] 1.93±0.98 1.66±0.84 2.73±1.02 1.39±0.38 －
DFCN-GS (2015) [51] 2.56±2.05 2.94±1.83 2.63±0.91 2.12±2.84 311.42
DCNN-GS (2017) [25] 2.33±1.88 3.12±2.76 2.61±1.02 1.27±0.40 94.90
－
Hussain等人 (2017) [18] 上同样实现了其他的对比方法. 由表
3.49±1.46
2.37±1.65
1.54±0.83
2.07±1.81
MCNN-GS (2019) [39] 2.12±1.46 2.64±2.05 2.48±0.93 1.25±0.35 94.51
U-Net-GS (2020) [42] 1.76±1.91 1.90±1.07 2.21±0.71 1.18±0.34 313.65
LFU-Net (2021) [52] 2.19±2.18 2.84±3.50 2.08±0.60 1.66±1.01 253.74
2
CS -Net (2021) [53] 2.09±1.57 1.92±2.30 2.23±0.64 2.10±1.11 56.36
MAG-Net (2022) [54] 2.39±1.55 2.65±1.37 2.52±0.53 2.01±2.20 16.44
GLFR-Net (2022) [55] 2.04±0.60 1.60±1.83 2.37±0.87 2.16±1.67 60.17
AGR-Net (Ours) 1.76±0.94 1.77±0.94 2.26±0.76 1.24±0.41 72.30
AGR-Net-GS (Ours) 1.72±0.97 1.68±1.20 2.31±0.79 1.16±0.29 166.67

表 6 展示了本文的方法与数据集 2 上的 10 种主流方法以及两位专家标注的对比结果. 其中 Chiu 等人 [47] 和
Hussain 等人 [18] 所提方法的结果直接摘抄自对应已发表的论文中. 与数据集 1 一致, 为了更为充分地验证本文方法
的有效性, 本文在数据集 2 6 可以发现, 在整体误差评价指标 Overall 上的结
果是所有对比方法中最小的, 在其中的 3 条边界上都取得了较小的误差, 尤其是 ILM-NFL 层边界. 整体而言, 本文
的注意力全局残差网络与图搜索联合的方法对于数据集 2 有比较好的分割效果. 图 9 为不同分割方法的视觉效果
对比. 从图 9 中可以看到, 在黄斑中心凹位置附近, DCNN-GS [25] 和 MCNN-GS [39] 方法由于其存在对图像取块的原
因导致 RBC 层边界出现了变形, 在真实边界和预测边界之间存在较大的差异. 类似地, U-Net-GS [42] 在 RBC 层边
界上也有一定的错误, 但偏差略小于 DCNN-GS [25] 和 MCNN-GS [39] 等, 且不同于上述两种方法的是, 该方法出现边
界弯曲变形的原因是边界像素的类别判断所依赖的图像上下文信息提取不够充分, 从而导致位于不同视网膜层间
的像素类别判断错误. 相反, 如图 9 所示, 本文方法在充分利用所提取的上下文信息并建模视网膜层间差异性的情