《表7 通过boot-strapping获得的不同方法的p-值》

  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

《利用DCE-MRI结合改进卷积神经网络的MR图像自动分割与分类方法》

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

尽管ME-ICNN和MMCNN的分类精度相差叫较小，但是ICNN具有以下几个优势:（1）ME-ICNN使用的自由参数比MMCNN少得多（703个VS1046个参数），因此，不容易出现过度拟合。这对于医疗诊断很有帮助，因为病人数量有限，所以训练样本的数量通常很少。（2）ME-ICNN所采用的迭代收敛次数小于MMCNN，如图6（a）所示。（3）在本文实验中，随着专家和分枝数量的增加，ME-ICNN分类精度并没有像MMCNN那样迅速下降，如图6（b）所示。综上可知，相比其他几种较新的卷积神经网络方法，本文所提出的ME-ICNN方法获得了较好的分类性能。