79、深度学习在动脉粥样硬化斑块分割与驾驶员辅助系统中的应用

深度学习在动脉粥样硬化斑块分割与驾驶员辅助系统中的应用

动脉粥样硬化斑块分割的深度学习模型

模型性能评估

在动脉粥样硬化斑块分割任务中，研究人员对不同的深度学习模型进行了评估，包括 UNet 和 SegNet - UNet 模型，并使用了交叉熵（CE）和骰子损失（DSC）函数。以下是这些模型的性能参数值（均值 ± 标准差）：
| 模型 | 特异性（Spec） | 灵敏度（Sens） | 马修斯相关系数（MCC） | 准确率（Acc） | 精度（Prec） |
| — | — | — | — | — | — |
| UNet (CE) | 99.23 ± 0.56 | 90.30 ± 5.50 | 89.58 ± 3.69 | 98.56 ± 0.60 | 99.23 ± 0.56 |
| UNet (DSC) | 98.50 ± 0.74 | 95.30 ± 4.47 | 86.50 ± 4.51 | 98.24 ± 0.70 | 86.93 ± 4.70 |
| SegNet - UNet (CE) | 99.27 ± 0.45 | 88.20 ± 7.00 | 88.46 ± 4.42 | 98.44 ± 0.70 | 90.69 ± 5.14 |
| SegNet - UNet (DSC) | 99.70 ± 0.32 | 78.50 ± 7.95 | 85.45 ± 4.78 | 98.13 ± 0.73 | 85.81 ± 5.08 |

回归曲线与相关系数

研究绘制了 UNet 和 SegNet - UNet 模型的回归曲线，并计算了真实值（GT）与估计斑块面积之间的相关系数（CC）