《表3 不同分割模型的评价指标》

  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SLIC和GVF Snake算法的乳腺肿瘤分割》

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

图4给出了四组乳腺MRI图像的仿真实验图。其中，图4（a1）～（d1）为待分割的乳腺MRI原图像；图4(a2）～（d2）为经过分割和形态学处理之后的梯度图像，从梯度图像中可以大致看出乳腺肿块的基本形状；图4(a3）～（d3）为采用分水岭算法进行分割的结果图。分水岭算法对噪声的抵抗能力较差，容易出现过分割现象。从图中可以看出，直接采用分水岭算法进行分割造成了一定程度上的过分割现象；图4(a4）～（d4）为直接采用水平集算法进行的分割结果图。水平集算法对于边界不明显的图像分割效果较好，但是对于灰度分布不均匀的图像容易出现欠分割等不理想的分割效果。从图中大致可以看出，水平集算法对乳腺肿块的分割存在一定程度上的欠分割现象；图4(a5）～（d5）为直接采用GVF Snake算法所得到的分割结果图，从图中可以看出，GVF Snake算法对乳腺MRI图像的分割并不稳定，肿块分割中均存在过分割问题；图4(a6）～（d6）为采用本文算法得到的结果图，与直接利用分水岭算法和水平集算法得到的结果图相比，更贴近于实际的乳腺肿块形状；图4(a7）～(d7）为标准的乳腺肿块分割结果图。为了进一步说明本文模型的有效性和准确性，计算上述前两幅分割图像的DICE系数、VOE系数、RVD系数、precision系数和recall系数[8]，结果如表3所示。