《表3 8种方案的实验结果》
自身构造的验证实验具体做法如下:在获取候选结节阶段,分别采用3D U-Net与3D Dense U-Ne获取候选结节;在去除假阳例阶段,分别采用3D VGG、3D GoogLeNet、3D ResNet、3D DenseNet排除假阳例。将两阶段使用的不同网络结合方式分别编号为方案1~8,计算8种方案的总体敏感度、10 mm以下结节敏感度、假阳例率,对其进行比较,数据如表3所示。可以看出,当采用同一排除假阳例网络时,获取候选结节阶段采用3D Dense U-Net的4种方案(方案5~8)比采用原始3D U-Net的4种方案(方案1~4)在敏感度上平均高出2.9%,在10 mm以下结节的敏感度上平均高出4.3%,可见使用了密集连接方式后,网络对特征的学习能力优于使用普通卷积连接放的3D U-Net,尤其是对于小型结节特征的学习;当采用同一种网络获取候选结节时,采用3D DenseNet去除假阳例的方案(方案4、8),假阳例率比采用其他3种网络的方案(方案1、5;方案2、6;方案3、7)假阳例率平均降低1.9%,进一步验证了使用密集连接方式构建的网络在该分类任务上表现优异。最终,在天池AI大赛数据集中,采用3D Dense U-Net结合3D DenseNet的结节检测方法结节检测总体敏感度94.3%,10 mm以下结节敏感度91.5%,假阳例率5.9%。
图表编号 | XD00143971900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.20 |
作者 | 王尚丽、金戈辉、徐亮、金炜、尹曹谦、符冉迪 |
绘制单位 | 宁波大学信息科学与工程学院、宁波大学医学院、宁波大学信息科学与工程学院、宁波大学信息科学与工程学院、宁波大学信息科学与工程学院、宁波大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |