首页> 中文期刊> 《暨南大学学报:自然科学与医学版》 >基于深度学习的二维心脏超声图像分割模型在小规模数据集上的性能评估

基于深度学习的二维心脏超声图像分割模型在小规模数据集上的性能评估

         

摘要

目的:评估一种心脏超声分割算法:密集金字塔和深度监督神经网络(DPS-Net),在小规模数据集上的分割性能。方法:利用两个小规模心脏超声数据集,用于多结构超声分割的心脏超声采集(CAMUS)和HMC-QU数据集,在数据量和模型不同的情况下分别对DPS-Net进行对比实验。结果:DPS-Net在两个数据集上的性能随病例数的减少并未显著降低(在CAMUS中Dice系数由0.951下降到0.935),且其分割能力超过两种经典算法,取得了更好的分割结果。结论:DPS-Net在小规模数据集上也能很好地完成心脏超声分割任务,具有良好的临床应用潜力。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号