《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》
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。
图表编号 | XD00214111700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.25 |
作者 | 梁楠、赵政辉、周依、武博、李长波、于鑫、马思伟、张楠 |
绘制单位 | 首都医科大学生物医学工程学院、首都医科大学临床生物力学应用基础研究北京市重点实验室、北京大学数字媒体所、北京大学数学与应用数学实验室、河南大学影像研究所淮河医院放射科、首都医科大学生物医学工程学院、首都医科大学临床生物力学应用基础研究北京市重点实验室、河南大学影像研究所淮河医院放射科、北京大学数字媒体所、北京大学数字媒体所、首都医科大学生物医学工程学院、首都医科大学临床生物力学应用基础研究北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |