《表6 不同肺结节分割方法性能比较》

  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

《基于深度迁移学习的肺结节分割方法》

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

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。