《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》
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。
图表编号 | XD00129803100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.15 |
作者 | 杨珍、王俊、辛春花 |
绘制单位 | 内蒙古农业大学计算机技术与信息管理系、内蒙古农业大学计算机技术与信息管理系、内蒙古农业大学计算机技术与信息管理系 |
更多格式 | 高清、无水印(增值服务) |