《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》

  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

《基于循环卷积神经网络的甲状腺恶性结节检测》

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

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。