《表2 8种模型的评价指标数据对比》

  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

《多模态磁共振脑肿瘤图像自动分割算法研究》

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

为了探究HDC模块和HLF各自对脑肿瘤分割性能的提升程度，在原始3D-Unet模型基础上分别添加HDC模块和HLF，训练出两个模型：3D-Unet+HDC和3D-Unet+HDC+HLF，连同使用普通Dice损失函数的双通道3D CNN网络，普通3D-Unet网络，K均值聚类（K-means Clustering），混合水平集（Hybrid Level），结合了FCM、自动阈值法和混合水平集的混合算法（Hybrid Algorithm）、随机森林（Random Forests），记录他们在测试集上的4种参数性能，分割的区域包括WT（标签1、2、4）、TC（标签1、4）和ET（标签4）。结果记录于表2。由于传统算法FCM、混合水平集、混合算法等近年来很少使用，在以BraTS数据集为测试集的分割结果中，只有WT的参数，并未区分不同肿瘤区域。由表2可知，随着HDC和HLF的加入，肿瘤分割的各项参数均有不同程度的提升，尤其以Hausdorff距离提升最为明显，这是因为它对边缘的匹配程度最为敏感。3D-HDC-Unet的测试集DSC箱型图如图7所示。