《表1 采用不同平均值和特征的AUC方法》

  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

《基于仿滤子的CT图像特征选择对非小细胞肺癌的鉴别》

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

通常，对于较小的FDR（平均值），所有类型特征的分类性能较高。例如，FDR为0.03(AUCavg:0.86，AUCstd:0.01，P<0.05）的拟议方法的性能优于FDR0.05(AUCavg:0.82，AUCstd:0.02，P>0.05）和FDR 0.10(AUCavg:0.81，AUCstd:0.03，P>0.05）（表1所示）（AUCavg:0.89，AUCstd:0.01，P<0.05），比FDR设定为0.1的纹理特征要好得多（AUCavg:0.74，AUCstd:0.05，P>0.05）同时，组合特征可以产生（AUCavg:0.86，AUCstd:0.01，P<0.05）比单一类型的特征更好的结果，包括形态特征（AUCavg:0.84，AUCstd:0.02，P>0.05）和纹理特征（AUCavg:0.78，AUCstd:0.05，P>0.05）。为了比较最先进的特征选择方法和我们的特征选择方法之间的性能，我们选择了以下基于特征选择的分类方法和基于非特征选择的分类技术基于不同的组合CT图像中的图像特征，并将它们的AUC值与我们的方法进行比较。值得注意的是，基于特征选择的方法旨在选择最佳特征，而非特征选择技术则侧重于检测和分类程序。