《表4 不同方法对不同类型肺结节的分割准确率》

  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

《CRF 3D-UNet肺结节分割网络》

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

成熟的分割算法有：模糊C均值聚类算法（FCM），李越[19]提出将FCM算法作为基础，同时应用小波变换方法针对CT图像展开分解，之后将分解后的低频图的像素点作为FCM算法的基础点，然后采用马氏距离来进一步修正，从而确保更加准确反映医学图像中的信息。但是经实验此算法对于胸膜牵拉型结节和血管粘连型结节的分割效果比较差。Jonathan Long等[17]提出用于图像像素级分割的全卷积网络（fully convolutional networks，FCN)，FCN把原本卷积网络后面接的几个全连接层都换成卷积，这样就可以获得一张2维的feature map，而后接softmax层获得每个像素点的分类信息，从而解决了分割问题。但是此方法存在的问题就是下采样过程丢失的信息并未在反卷积过程弥补完整，所以造成分割结果准确度不高。Simon JégoU等[20]改进DenseNets来处理语义分割问题。但由于此方法主要应用于通用图像，如：分割一幅图像中的建筑物、车、蓝天等像素差别特别大，而且前景和背景没有引起太大的差异。对比肺结节CT图像，正好相反，目标和背景对比差异太大，在一个大的背景下分割小目标，像素对比差异较微小。所以将该方法用于肺部CT图像的分割效果并不佳。表4显示将本文方法与这3种算法用于肺结节分割的结果准确率对比。图9显示了这些算法和本文方法的结果图对比。