《表2 8种模型的评价指标数据对比》
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。
图表编号 | XD00131906200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.25 |
作者 | 何承恩、徐慧君、王忠、马丽萍 |
绘制单位 | 四川大学电气工程学院、四川大学电气工程学院、四川大学电气工程学院、四川大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |