《表2 良恶分类结果对比:基于循环卷积神经网络的甲状腺恶性结节检测》
首先,在CNN基础上引入序列并使网络产生一定的记忆效应,使前后输入产生一定的关系,进而获得甲状腺结节超声图像中图像特征之间的关系,最终近似还原病症临床表现之间的关系。为验证本文网络模型分类效果更佳,实验中采用江涛、Ma等、Keramidas等研究甲状腺良恶结节分类时提出的方法及残差网络(ResNet)[19]方法进行比较,如表2所示。本文方法的分类准确率比江涛、Ma等、Keramidas的方法准确率分别高6.06个百分点、17.83个百分点、7.7个百分点、28.80个百分点,比ResNet分类方法高1.9个百分点。由表2得出本文方法分类效果最佳,原因是引入了时间序列,在提取图像特征的同时建立了图像特征间的关联关系,一定程度上还原了甲状腺结节临床病理特征之间的关系,即将临床病理特征间关系以图像特征间的关联关系的形式复现,充分考虑图像特征间的差异与联系,提高了分类器的适应能力。
图表编号 | XD00119135900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 郑斌、杨晨、马小萍、刘立波 |
绘制单位 | 宁夏大学信息工程学院、宁夏大学信息工程学院、银川市第一人民医院医技科、宁夏大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |