《表5 不同网络分类能力的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的肺结节分类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了更客观、准确地评价系统对于肺结节CT图像识别的性能，采用接受者操作特性（Receiver Operating Characteristics，ROC）曲线以及ROC曲线下面积（Area Under Curve，AUC）对性能做出分析。ROC曲线可以直接地反应出二分类问题中分类器性能的优良。在ROC曲线坐标系中，（0，1） 点处对应着最好的分类结果。若果曲线越接近左上，说明网络对于存在肺结节和健康的CT图像分类越准确，识别率越高。AUC值越高，表明网络的分类性能越出色。反之，AUC值越小，说明算法的分类效果越差，识别率越低。LeNet-5是一种曾应用于各大银行的识别手写数字体的网络。它的网络模型比较简单，识别准确程度较高。目前，这种网络模型仍然广泛运用于许多模式识别，如车牌字符识别[14]、木材缺陷识别[15]等。Alexnet作为一种深度CNN网络，不仅提高了分类的精确度，也奠定了深度学习特别是卷积神经网络在图像识别中的地位。为了测试网络的性能，将LeNet-5、Alexnet以及一些传统方法与本课题所改进的卷积神经网络的在LIDC数据集上实验的ROC曲线进行了比较，如图9所示。而相应的准确率以及AUC值对比，如表5所示。