其中 Sa 和 Sb 分别表示算法分割的目标表面点集和地面真值。d(i, Sb)是 i 和 Sb 之间最短的欧氏距离。我们使用 Student 的 t 检验来计算 p 值，以观察两种算法的结果是否存在显著差异。
图 6. 2D 胎盘分割第 1 阶段中不同网络的视觉比较。最后一行显示了 DeepIGeoS 交互细化的结果。
3.2胎儿 MRI2D 胎盘分割
表 1. 2D 胎盘分割第一阶段不同网络和 CRF 的定量比较
3.2.1第 1 阶段：用 2D P-Net 与 CRF 网（f）自动分割
图 6 显示了第 1 阶段不同网络获得的自动分割结果，这表明 FCN 能够捕获胎盘的主要区域。DeepLab 优于 FCN，但其类似 blob 的结果与 FCN 相似。可以观察到，2D P-Net 络比其他三种网络获得更好的结果。然而，2D P-Net 仍然存在一些明显的区域分割错误。表 1 给出了基于所有测试数据的这些网络的定量比较。2D p-Net 的 Dice 评分为 84.78±11.74%，ASSD 为 2.09±1.53 像素，性能优于其他三种网络。
基于 2D P-Net，我们比较了第 1 阶段的不同 CRF。图 7 显示了密集 CRF、具有高斯成对电位的 CRF-Net（g）和具有自由形式成对电位的 CRF-Net（f）之间的视觉比较。在第一列中，胎盘被 2D P-Net 分割。密集 CRF 导致的结果非常小的改善。CRF-Net（g）和 CRF-Net（f）通过保留更多的胎盘区域来改善分割效果，后者显示出更好的分割效果。在第二列中，2D P-Net 获得了相邻胎儿大脑和母体组织的过度分割。密集 CRF 对分割效果没有明显改善，但 CRF-Net（g）和 CRF-Net（f）去除了更多的过分割区域。CRF-Net（f）的性能优于其他两种 CRF。这三个 CRF 的定量评价如表 1 所示，这表明密集 CRF 导致的结果非常接近 2D P-Net（P 值>0.05），而最后两个 CRF 显著改善了分割（P 值<0.05）。
图 7. 2D 胎盘分割第一阶段不同 CRF 的视觉比较。最后一行显示了 DeepIGeoS 以交互方式优化的结果
3.2.2第 2 阶段：2D R-Net 与 CRF-Net（fu）的交互细化
图 8 显示了第 2 阶段中基于 2D R-Net 和 CRF-Net（fu）的交互式细化的示例。图 8 中的第一列显示了 2D P-Net CRF-Net（f）获得的初始分割结果。用户提供单击/涂鸦来指示前景（红色）或背景（青色）。图 8 中倒数第二列显示了五种改进的结果。这些细化方法纠正了大部分错误分割的区域，但在处理局部细节时执行不同的级别，如白色箭头所示。图 8 显示了具有测地距离的 2D R-Net 比最小割用户编辑和使用欧几里德距离的 2D R-Net（Euc）执行得更快。CRF-Net（fu）能进一步改善患者的预后。为了定量比较，我们测量了第一次用户细化迭代后的分割精度，其中五种细化方法使用相同的初始分割和相同的用户交互集。结果如表 2 所示，该表显示了使用测地距离和 CRF 网（fu）的 2dr 网的组合比具有相同用户交互集的其他细化方法更精确的分割。
