Page 305 - 《软件学报》2021年第12期
P. 305

邓成龙  等:基于随机森林的宫颈鳞癌放化疗疗效预测                                                        3969


         4.2.2    不同分割算法对比
             为验证加入深度残差学习的 U-net 模型能提升分割精度,本文通过与未加入深度残差学习的 U-net 模型、
         阈值分割、全卷积网络(FCN)以及 DeepMedic+CFR         [41] 模型进行实验对比.各模型分割肿瘤区域的平均分割精度
         见表 4,分割结果如图 7 所示.
                            Table 4    Segmentation accuracy of different algorithms on test set
                                   表 4   不同分割算法在测试集上分割准确率
                                分割算法          Dice 相关系数       PPV       Sensitivity
                                基于阈值             0.168        0.182      0.217
                                 U-net           0.722        0.714      0.759
                                  FCN            0.755        0.739      0.776
                              DeepMedic+CRF      0.779        0.773      0.795
                              U-net+Resblock     0.783        0.771      0.801











                  (a)                (b)                 (c)                (d)                 (e)                (f)

                          (a)  原图像,红色区域为标签区域   (b)  基于阈值分割结果   (c) U-net 分割结果
                          (d) FCN 分割结果   (e) DeepMedic+CRF 分割结果   (f) U-net+Resblock 分割结果
                          Fig.7    Segmentation results obtained by different algorithms on test set
                                     图 7   不同算法在测试集上分割结果图

             从表 4 可知:深度残差学习能降低 U-net 网络的拟合难度,使得 U-net 模型在 Dice 系数、PPV 及 Sensitivity
         标准上比原始 U-net 模型分割准确率分别高 0.061、0.057 及 0.042 个百分点.基于阈值分割模型首先需要确定
         肿瘤区域的大致位置,然后才能进行分割.但肿瘤的形状及位置复杂多变,确定某一例宫颈鳞癌肿瘤区域位置不
         能推广到其他患者的肿瘤区域,所以分割精度较低.FCN 模型虽然在分割上提升了效率与准确率,但没有充分考
         虑像素与像素之间的关系;且在训练阶段没有进行充分地训练,导致分割准确率低于本文方法.DeepMedic+CRF
         模型在分割脑肿瘤上取得了不错的成绩,但在本实验中分割准确率低于 U-Net+Resblock.可能因为宫颈鳞癌数
         据少,导致网络模型在训练阶段没有使参数最优化,使得分割的准确率低.
         4.3   肿瘤区域特征筛选

             本文利用 U-net 模型分割肿瘤区域后,对肿瘤区域提取 6 种 97 个特征,包括纹理及形状等特征.宫颈鳞癌实
         验数据集包含 1 785 幅图像,共提取 173 145 个特征.但提取的特征存在贡献较小及冗余特征,因此,本文利用双
         向特征搜索及信息增益对特征集进行筛选,筛选结果见表 5.
                        Table 5    Types of tumor area features and number before and after screening
                                    表 5   肿瘤区域特征种类及筛选前后数量
                               特征种类              筛选前特征数量            筛选后特征数量
                            First Order Features    33 915              29 775
                              Shape(3D)             30 345              21 586
                                GLCM                42 840              42 175
                               GLSZM                28 560              25 243
                               GLRLM                28 560              26 417
                               NGTDM                 8 925              8 876
                                总计                  173 145            154 072
   300   301   302   303   304   305   306   307   308   309   310