《表6 不同分类模型比较:基于SE-CapsNet的肺结节良恶性诊断研究》
不同的模型,数据预处理方式与特征提取算法的结果存在差异性,难以进行单一的定量比较。为增加模型的可比性,本研究选取了同样采用LIDC-IDRI数据集进行训练的分类模型。文献[15]首次将深度学习技术应用于肺结节分类问题的研究,在深度置信网络(DBN)上最终取得了82.2%的敏感性。文献[26]提出的多尺度卷积神经网络,在基于非精细化图像处理下的肺结节分类精度达到87.5%,在保证模型分类准确率的情况下,大大降低了前期数据准备的工作量。与上述几种方法进行比较,如表6所示。数据表明,所提出的肺结节诊断方法SE-Caps Net的准确率和敏感性均优于几种文献所提出方法的相应性能。这是由于文献[15]与文献[26]虽然都采用了预处理的方式对原始数据进行去噪,但前者采用的模型架构较为简单,不足以进行充分的特征提取,而后者在用多个网络进行多尺度特征提取时,保留池化操作以降低模型的计算参数,使得训练过程中低活性神经元失活,丢失掉了一部分重要信息。与文献[27]中表现优异的模型相比,本研究在基于精细化预处理的前提下,模型的分类准确率达到了95.83%,远高于该文献所提出分类方法的准确率。
图表编号 | XD00218361500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 叶枫、王路遥、洪卫、丁国军、车镓荣 |
绘制单位 | 浙江工业大学管理学院、浙江工业大学管理学院、浙江省肿瘤医院医院胸部肿瘤科、浙江省肿瘤医院医院放射科、浙江工业大学管理学院 |
更多格式 | 高清、无水印(增值服务) |