《表1 5种不同深度学习算法分析的诊断准确度》

  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

《基于动态增强磁共振成像的影像组学和不同CNN的深度学习对乳腺良恶性病变的诊断价值》

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

影像组学分析的诊断准确度为80%。对于深度学习，5个不同大小输入边界框的5种CNN模型的诊断效能见表1。对于ResNet50模型，包含肿瘤的最小边界框效果效能最好，随着边界框越来越大，诊断效能逐渐下降。含少量肿瘤周围组织的最小边界框诊断效能高于仅包含肿瘤边界框、1.2倍、1.5倍和2.0倍边界框分析，差异有统计学意义（Z=1.37、1.15、2.74、3.25，均P<0.05）；针对含少量肿瘤周围组织的最小边界框分析中，ResNet50(93%）与Xception(94%）和InceptionV3(93%）的诊断准确性差异无统计学意义（t=-0.48、-0.09，均P>0.05）；且ResNet50高于VGG16(80%）和VGG19(79%），差异有统计学意义（t=5.2、4.7，均P<0.01）。