《表1 配准结果比较：基于深度学习的2D/3D医学图像配准研究》

  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

《基于深度学习的2D/3D医学图像配准研究》

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

在训练完成后，将50张X光图像分别输入网络模型，得到50组对应的配准参数结果。结合本文第1.6节实验评价方法提出的相关系数、归一化信息和欧氏距离的3个评价指标，计算50组配准数据对应的配准结果的平均值与标准差，并同时计算这50张X光图像对应的常规2D/3D配准方法的配准结果的平均值与标准差，最终得到的配准结果及配准时间如表1所示。从结果中可以看出，深度学习预测的准确性从相关性系数、归一化互信息、参数的欧氏距离这3个评价标准上都在一定程度上优于传统算法的结果；此外，从配准时间上看，深度学习的配准时间远小于常规配准时间，达到了0.03 s，实现了实时配准。另外可以看到，对于加了噪声的图像，其最终的预测的效果与原图比较接近，说明该网络具备一定的抗干扰性，在训练和测试的图像上都加上噪声对结果的干扰不大。