《表2 不同的特征组在乳腺肿瘤分类中的实验结果Tab.2 Experimental results of different feature set for breast tumor classifi

  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

《基于深度学习特征的乳腺肿瘤分类模型评估》

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

为验证DF和HCF的结合在乳腺肿瘤分类中的有效性，并且评估不同网络特征的分类性能，将4种特征组HCF、DFAlexNet+HCF、DFVGG16+HCF和DFGoogLeNet+HCF的分类结果进行比较（表2）。不同的特征组对应的AUC、准确率、特异性、敏感性和Youden's index的曲线见图2。结果显示，无论采用哪种网络框架，采用DF+HCF的分类模型分类性能均高于HCF；在AUC值方面，DFAlexNet+HCF明显优于其它网络框架，而DFVGG16+HCF和DFGoogLeNet+HCF基本一致，但DFVGG16+HCF在最大值和平均值上表现出较好的性能。在准确率方面，DFAlexNet+HCF的分类准确率最大值、最小值和平均值明显优于其它深度学习网络架构；对比分类准确率的最小值，DFAlexNet+HCF最小值为0.94，而HCF为0.894，DFVGG16+HCF为0.909，DFGoogLeNet+HCF为0.905。在特异性方面，DFAlexNet+HCF明显优于其他网络框架，DFVGG16+HCF的最大值和最小值低于DFGoogLeNet+HCF，但平均值表现出较好的性能。在敏感性方面，DFAlexNet+HCF优于其它网络框架，DFVGG16+HCF在最大值和平均值上优于DFGoogLeNet+HCF。在Youden's index方面，DFAlexNet+HCF明显优于其它网络框架，而DFVGG16+HCF优于DFGoogLeNet+HCF。