《表5 几种算法的比较：基于改进ReliefF与k-means算法的良恶性肺结节分类模型》

  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

《基于改进ReliefF与k-means算法的良恶性肺结节分类模型》

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

由表4可以看出，根据纹理特征可以进行良恶性肺结节的识别，实验结果表明:本文提出的算法对于恶性结节识别率高，良性结节识别率良好，并且改进的Relief F和k-means算法均有效，准确率都有一定提升．如表5所示，本文将提出的算法与其他算法的识别率进行了比较，从比较结果中发现本文提出的算法相比其他传统算法较优，使得良性结节的识别率有了一定的提升．但相对于文献[6]提出的多视角知识的协同（Multi-View Knowledge-Based Collaborative）深度学习模型存在差距，原因是此方法Res Net-50网络来提取结节的外观、体素和形状特性，然后再利用基于知识的协作（Knowledge-Based Collaborative）子模型进行分类．网络深度深，模型复杂度高．文献[5]提出多将判别生成对抗网络模型与编码器相结合，用于肺结节的良性和恶性分类的算法也比本文识别率优，但是网络复杂，训练耗时．这些对于本文有进一步启发，下一步工作可以利用深度学习的网络提取肺结节不同视角的特征，再与编码器相结合，最后利用本文改进的方法进行分类．