《表1 不同模型分类性能比较》
%
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。
图表编号 | XD00119583100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.15 |
作者 | 吴保荣、强彦、王三虎、唐笑先、刘希靖 |
绘制单位 | 太原理工大学信息与计算机学院、太原理工大学信息与计算机学院、吕梁学院计算机科学与技术系、山西省人民医院PET、CT中心、山西农业大学软件学院 |
更多格式 | 高清、无水印(增值服务) |