《表4 各种分类方法的识别结果》

  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

《优化的概率神经网络对基于介电常数的肺癌及其周围正常组织的鉴别》

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

介电特性作为生物组织的固有属性[32]，能够间接反映出组织的生理状态变化。Wang等[2]报道了病变和正常肝脏组织的介电特性存在差异；Cheng等[3]报道了正常和恶性甲状腺组织的介电性质存在明显差异；Chaudhry等[4]研究显示，恶性乳腺组织和正常乳腺组织的介电特性存在明显差异；周地福等[5]报道了结直肠恶性组织黏膜面与正常组织黏膜面的介电特性存在差异。然而，目前只有少数文献报道了对基于介电常数的组织分类方法研究，且其中多数使用支持向量机[8，33-37]，此外，也有使用BP神经网络[38]、RBF神经网络[38]、线性判别[39]。由于支持向量机在模式识别中通常是用来解决二分类的问题，不利于多分类问题的解决，因此有其局限性，并且本课题组曾报道了用支持向量机对胃癌组织的分类研究，其分类准确率未达到90%[12]。对于BP神经网络、RBF神经网络、线性判别的分类研究，本文将其与SA-PNN对肺肿瘤与正常组织的分类结果进行了比较，表4归纳了不同方法的分类结果。由表4可明显看出，无论是从鉴别准确率、灵敏度、特异性，SA-PNN都达到了90%以上，其鉴别性能均高于其它四种鉴别算法。因此，本文的研究对基于介电常数的组织分类具有一定的参考意义和应用价值。