《表2 2003年以来文献报告的以机器学习算法在颈动脉斑块超声图像分类中的应用[14~31]》
注:Y/N=有无症状;ACC=准确率;SN=敏感度;SP=特异度;CNN=卷积神经网络;SVM=支持向量机;LVQ NN=学习矢量量化神经网络;PNN=概率神经网络;SOM=自组织映射;K-NN=K邻近;AIRS=人工免疫识别系统;SAMA=有监督的亲和力成熟算法;LSSVM=最小二乘支持向量机;PCA=主成分分析;FCM=模糊C均值聚
自2003年以来,基于US图像的机器学习算法研究颈动脉斑块分类的18篇文献[14~31](表2)。除Lekadir等[14]和赵媛等[21]研究外,其余16篇文献均为有无症状(即是否存在斑块)的二分类研究。所用图像数据量最多的是孙夏等[15],共收集了1 160例US图像;最少的是Tsiaparas等[16,17](2011,2012)的研究,只使用了20例图像。大多研究使用的数据量在200例左右,这些研究中应用最多的机器学习分类方法是SVM。2016年以后随着深度学习算法的兴起,更多的研究转变是采用CNN方法进行分类。
图表编号 | XD0069753800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.20 |
作者 | 吴秋雯、李郁欣、黄磊、周书怡、胡斌、鲍奕仿、耿辰、夏威、杨丽琴、耿道颖 |
绘制单位 | 复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学工程与应用技术研究院、复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所、复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所 |
更多格式 | 高清、无水印(增值服务) |