《表4 超声图像定位及分割算法对比》

  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

《甲状腺、乳腺超声影像自动分析技术综述》

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

除上述方法外，甲状腺、乳腺超声图像病灶区定位及分割技术还包括基于霍夫变换[96，97]、基于遗传算法[98]等其他方法，但是，由于超声图像自身因斑点噪音、存在纹路等困难，采用传统定位及分割方法均存在局限性.目前的研究方向更集中于适应性广、端到端的网络模型研究.但主流深度学习方法采用的是有监督的学习方式然而，针对某些缺乏大量训练数据支持的情况，有监督的深度学习算法便无法发挥其性能.为了克服数据缺乏的问题，研究半监督或无监督的病灶区分割是未来发展的方向.本部分文献在数据集、方法及实验结果的对比情况可见表4.