《表4 数据缺失下网络采用随机数据选取训练方式的DSC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

《基于同一特征空间的多模态脑肿瘤分割方法》

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

上述讨论了网络在随机选取模态训练后使用四种模态数据测试的结果，接下来讨论网络在随机选取模态训练后在缺失不同模态数据下的表现，其结果由表4给出。从结果中可以看出，不同模态数据的缺失对网络有不同的影响，其中整体肿瘤分割更加依赖FLAIR模态，而核心肿瘤和增强肿瘤分割更加依赖T1c模态。此外，从结果看，本文方法相比基准方法更加依赖FLAIR模态与T1c模态，容易忽略掉T1和T2模态的特征，在缺失T1模态或T2模态时，本文方法在整体肿瘤分割表现上要优于基准方法，同时本文方法虽在核心肿瘤及增强肿瘤分割中的表现弱于基准方法，但本文在训练上较基准方法更灵活且在数据缺失时调整网络更加方便。