《表2 与其他方法结节分类性能比较》

  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

%

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。