《表1 不同模型分类性能比较》

  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

《融合多维度卷积神经网络的肺结节分类方法》

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

%

将各个分类模型作为单独分类器，评估其分类性能，如表1所示。MS-DenseNet(32×32，64×64）和3D CNN分类模型总体准确率分别达到85.37%、89.62%和91.07%。通过对单独分类模型的比较，可以看出3D CNN比MS-DenseNet的效果要好，这是由于3D CNN可以更好利用结节空间上下文信息，提取出更具判别性特征，同时也证明3D卷积层的优势。在MS-DenseNet中，输入尺度为64×64大小的模型其分类性能比输入尺度为32×32的要更好一些，这是因为64×64大小图像块包含的结节信息更多，更有助于结节分类。使用一般2DCNN(3个卷积层，3个最大池化层，2个全连接层，1个Softmax层）进行肺结节分类，在同等尺度图像下，提出的MS-DenseNet和一般2D CNN相比，MS-DenseNet的性能明显较高，同样，3D CNN的分类性能大大优于2D CNN。由此表明，本文提出的子模型可以作为单独的分类器用于肺结节分类。