《表1 FCN的性能评价：基于深度学习的超声自动测量左室射血分数的研究》

  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

《基于深度学习的超声自动测量左室射血分数的研究》

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

TP:真阳性率；FP:假阳性率；OM:重叠度；DR:Dice系数；MHD:修正的Hausdorff距离

为了对FCN分割算法进行初步的评价，将待测试的1150幅A2C和793幅A4C数据导入训练好的FCN模型中分割左室轮廓，从中随机选择5幅A2C数据和A4C数据图像，对比手动描记和自动分割左室结果，如图6所示。结果显示无论图像是否低对比度、模糊或存在噪声，自动分割的结果均接近医师手动描记的结果。为了评估分割的准确率，本研究应用真阳性率（TP）、假阳性率（FP）、重叠度量（OM）、Dice系数（DR）及修正的Hausdorff距离（MHD）来评估分割的准确率。应用FCN分割793幅A4C和1150幅A2C左室，所得结果的平均值和方差见表1。