《表2 CCMU-HHNU数据集中3种网络的肿块分割性能（%）》

  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

《基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法》

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

训练好的深度卷积神经网络分类器将整图中提取的图像块，分为肿块类图像块和非肿块类图像块。整合滑动图像块的预测分类结果，得到整图中相应位置的像素级别的肿块分割效果。为了评价Alex Net、Res Net152和Dense Net40 3种网络的图像分割性能，本文采用了敏感性、特异性、F1-score和准确性。表2为CCMU-HHNU数据集3种网络模型的肿块分割性能。在64×64像素的图像块尺寸下，Dense Net的性能优于其他算法，F1-socre为83.49%。与其他网络模型相比，在80×80像素的图像块尺寸下，Dense Net的性能最好，F1-socre为82.23%。肿块分割的操作中，在训练分类器阶段未充分提取到的特征信息，将影响分类器对整图中部分位置提取的图像块的预测分类结果，进而影响整合图像块分类结果的肿块分割性能。采用在整图中无重叠的滑动取块，整合图像块的预测分类结果初步获得肿块的粗分割，再采用在局部区域有重叠的滑动取块，整合图像块的预测分类结果进一步获得肿块的细分割效果。这种结合不同参数、由粗到细的乳腺肿块分割方式，可以有效地降低神经网络模型的调用频率，大大提高运算速度。整合有重叠区域的图像块的预测分类结果，可以参考多个图像块的输出信息，避免单一图像块的误分类对最终结果的影响。图5从左至右的子图为不同患者的乳腺X线摄影图像采用不同尺寸图像块及网络模型进行肿块分割的结果。