《表2 与其他方法结节分类性能比较》
%
本文方法和其他在LIDC-IDRI数据集上分类方法的性能评估如表2所示。Han等人[4]提出的算法只使用纹理特征来区分结节外观,获得了较低的准确率。Dhara等人[21]对形状、边缘锐度和基于灰度共生矩阵的纹理特征进行了广泛的挖掘,具有较高的精度。Xie等人[15]出的算法得到较高的准确率,可能是使用多种类型特征进行决策级融合的原因,其中包含深度学习特征、纹理特征以及形状特征。Kumar等人[10]提出基于自动编码器的无监督学习,无监督学习中缺乏先验标签信息可能导致学习能力的次优,导致其分类精度低于其他方法。从表2中可以看出其他方法的准确率和AUC均低于提出的Fusion-MDCNN模型。可见提出使用多模型加权融合方法可以有效提升肺结节分类性能。
图表编号 | XD00119583400 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) |