《表6 不同肺结节分割方法性能比较》
为进一步检测肺结节分割诊断方面的性能,利用分块式叠加微调策略对VGG-16、ResNet34、InceptionV3和Densenet121网络模型实施微调,然后选取最佳分割网络。之后与其他基于深度学习算法的肺结节分割方法进行比较,同样以敏感度、特异性、Dice值作为评估标准。表6给出了不同方法的肺结节分割结果,由表可见,本文算法具有较强的特征提取能力,可以对网络进行有效微调。如表所示,Densenet121的分割性能优于VGG-16、InceptionV3和ResNet34,取得了89.00%的敏感度、94.89%的特异性和91.79%的Dice值,较其他方法有较大的性能提升。由表6可知,越深的网络模型取得越好的性能,这是因为深层网络可以提取肺结节的深层语义信息,泛化能力增强。
图表编号 | XD00163209700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 马金林、魏萌、马自萍 |
绘制单位 | 北方民族大学计算机科学与工程学院、北方民族大学计算机科学与工程学院、北方民族大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |