《表4 基于全卷积网络的MRI脑肿瘤分割方法评估结果》

  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

《MRI脑肿瘤图像分割的深度学习方法综述》

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

同样，在表4中列举了基于全卷积网络的MRI脑肿瘤分割方法在BraTS系列数据集上性能表现结果。从表4可以发现，该类方法在完整肿瘤分割上一般均可以获得较好的精度。相对于完整肿瘤分割，该类方法在瘤内子区中的核心肿瘤和增强肿瘤部分的分割上整体要差一些，其主要原因在于核心肿瘤和增强肿瘤部分在整个影像中占据的比例过小，在下采样过程中相应特征并不能很好保留。当然，通过提取多尺度的特征信息、将语义信息和位置信息有效结合等，也可以有效提升全卷积网络对MRI脑肿瘤的分割精度。另外，相比于采用图像块输入的卷积神经网络分割方法，基于全卷积网络的脑肿瘤分割方法使用端对端方式实现了语义级的密集预测，避免了使用图像块方式带来的重复存储和卷积计算问题，在获得有效分割精度同时也明显提高了脑肿瘤分割的效率。