《表4 第50张仿真图9%噪声下分割定量对比》

  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

《基于多分类SMM的高噪声图像分割研究》

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3为本研究方法MCSMM与k-means、GMM、Dgm算法分割含有9%噪声脑MR仿真图的结果.其中图3a）为含噪声实验原图，b）标准分割，c)～f）分别为k-means、GMM、Dgm和MCSMM的分割结果.表3～6为4种分割算法的Dice、精确度和信噪比3个指标对比.由图3和表3～6可知，Dgm的分割效果最差，对个别仿真图脑脊液的分割结果非常不理想.从DICE指标看来，GMM对脑脊液的分割略逊色于k-means，但是对白质和灰质的分割效果却明显优于k-means算法.精确度和信噪比指标上，GMM也优于k-means.本文方法MCSMM采用了Student’s t混合模型，比GMM具有更长的拖尾，在SMM的基础上对其中的t分布进行再次分类，用新的Student’s t混合模型代替t分布，以达到更好的抗噪效果.从Accuracy和SNR指标可以看出，MCSMM与GMM相比，分割精度有了一定程度的提高，信噪比指标也优于GMM.从DICE指标可以看出，MCSMM对脑脊液、灰质和白质的分割精度与其他3种方法相比均为最优.