《表4 Dense-UNet与其他网络分割结果对比》
%
五种网络的分割结果的可视化如图6所示,图中第一列是输入模型的肺结节图像,第二列是医生标注的肺结节轮廓金标准,最后一列是使用本文算法对肺结节分割的结果。由于方法[12]和[18]忽略了多尺度特征融合的重要性,使得最终的分割结果非常粗糙,只能实现对肺结节的大致定位。对比观察图中最后四行的图像,肺结节在图像中所占比例较小,且其像素值与背景区域中的血管等组织相近,未改进的网络容易受到与病灶相似的干扰区域的影响,错误地将背景区域预测为肺结节区域,并且分割结果误差较大。相比之下,本文提出的Dense-UNet能够有效地区分肺结节与其他肺部组织,对肺结节轮廓的预测更为精确,同时分割结果中的假阳性样本也较少。综上所述,改进的Dense-UNet网络与其他分割网络相比,分割效果得到显著提升,在针对微小或边界模糊的肺结节的分割过程中鲁棒性高,具有良好的分割性能。
图表编号 | XD00150171600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 钟思华、郭兴明、郑伊能 |
绘制单位 | 重庆大学生物工程学院重庆市医疗电子技术工程研究中心、重庆大学生物工程学院重庆市医疗电子技术工程研究中心、重庆医科大学附属第一医院放射科 |
更多格式 | 高清、无水印(增值服务) |