《表4 超声图像定位及分割算法对比》
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.
图表编号 | XD00168940300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 龚勋、杨菲、杜章锦、师恩、赵绪、杨子奇、邹海鹏、罗俊 |
绘制单位 | 西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、西南交通大学信息科学与技术学院、四川省医学科学院四川省人民医院 |
更多格式 | 高清、无水印(增值服务) |