《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
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。
图表编号 | XD0030518100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.20 |
作者 | 梁翠霞、李明强、边兆英、吕闻冰、曾栋、马建华 |
绘制单位 | 南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室、南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室、南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室、南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室、南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室、南方医科大学生物医学工程学院、南方医科大学医学放射图像及检测技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |