《表4 第50张仿真图9%噪声下分割定量对比》
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.
图表编号 | XD00217694100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.30 |
作者 | 王燕贞、陈志翔 |
绘制单位 | 漳州职业技术学院信息工程学院、闽南师范大学物理与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |