《表2 几种检测方法准确率对比》

  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

《基于中值滤波和残差网络的甲状腺结节检测》

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

%

为了验证本文方法在甲状腺超声图像中的检测能力，本文通过5组样本图像随机选取不同数量进行多次实验，并记录实验结果。将本文方法与FOT方法[4]、传统KNN方法[5]、MLP-RBF方法[6]和未加入残差结构的CNN6网络模型方法进行对比，几种方法的平均检测准确率结果如表2所示。由表2可以看出，与传统KNN方法相比，CNN6-Residual的准确率由64.68%提高到97.03%，提高了32.35%，检测准确率提高幅度最大。而与MLP-RBF方法和FOT方法相比，也分别提高了18.47%和11.42%。这表明本文方法增强了结节边缘特征，在提取多层特征和融合分类中更具优势。在CNN6与CNN6-Residual的这组实验中，检测准确率均在90%以上，证明了深度学习卷积神经网络在甲状腺结节检测中的可行性和适用性。而在加入残差结构后，特征提取能力和网络泛化能力得到提高，准确率由91.56%提高到97.03%，提高了5.47%。