《表3 基于LUNA16的评估结果》

  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

《基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用》

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

Ciompi等的DIAG＿CONVNET使用候选结节位置的9个角度2D子图像训练2D CNN，每张子图提取16个特征，最终基于144个特征进行结节概率预测，CPM达到0.814。Dou等的CUMedVis使用3D CNN，训练3个不同输入尺度的3D CNN以解决结节大小差异的问题，基于3个3D CNN的输出预测结节概率，CPM达到0.827。3D CNN可以在一个结节位置考虑到上下层的图像信息以提高模型效果，但是LUNA16数据集中各个扫描的层厚各不相同且正样本数量较少，简单地提取固定层数的数据使结节在空间中形态差异较大。而提取同尺度重建后的数据会增加3D图像块特征向量维度，大大降低模型训练和使用速度。有限的计算资源，也使复杂的3D网络难以配置。针对层厚各异的扫描数据，本方法的2D CNN具有一定优势，计算资源需求较小，训练速度较快。