《表4 对比各种多分类诊断模型的性能》

  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

《融合图像和指标的阿尔茨海默病多分类诊断模型》

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

见表4，在阿尔茨海默病的多分类诊断上，对比其它论文提出的多分类诊断模型和本文提出的融合图像和指标的多分类诊断模型的性能。实验结果显示，Tong T等人[7]提出了一种基于图的非线性融合方式（NGF），将影像学检查中的MRI图像、PET图像和临床数据中的CSF、基因型融合用于多分类诊断，其正确率为53.8%。Zhu X等人[16]提出了一种稀疏鉴别特征选择（SDFS）的方法，使用MRI和PET图像作为实验数据，其分类正确率为61.1%。Altaf T等人[6]将MRI图像和其它临床数据的特征融合（FF），其全脑图像和临床数据融合取得的分类正确率为75%。与其它论文提出的阿尔茨海默病多分类诊断模型对比，本文提出的模型在多分类上的正确率可以达到86.7%。实验结果证明了本文提出的阿尔茨海默病多分类诊断模型在多分类上的有效性。