《表1 AI对胶质瘤分级诊断的研究及其诊断效能》
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
《基于影像组学的人工智能在脑胶质瘤MRI诊断中的应用》
在图像分割和特征提取之后,应将上述结果推入数学或统计模型输出最终分类结果。机器学习(machine learning,ML)是实现分类器功能的重要方法,分为监督学习(原理见图2)和无监督学习。监督学习的主要模型有随机森林(random forest,RF)、人工神经网络(artificial neural networks,ANN)、支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)等。ANN是受生物神经网络启发而开发的一种经典的机器学习方法,由输入层、隐藏层和输出层构成,当隐藏层发展到多层时便称之为深度学习(deep learning,DL)。近年来基于DL的AI技术在胶质瘤诊断中的应用发展迅速,其中卷积神经网络(convolutional neural networks,CNN)应用较为广泛。SVM特别适合用于处理分类问题,基于不同的图像特征建立的SVM模型可实现多种分类目的,是目前胶质瘤分级诊断中应用最广泛的分类器,多项研究证明SVM分类性能优于其他分类器(见表1)。
图表编号 | XD0088318900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.15 |
作者 | 李惠明、张军 |
绘制单位 | 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 |
更多格式 | 高清、无水印(增值服务) |