表 2. Comparison of the results of different segmentation methods based on deep learning.

基于深度学习的不同分割方法的结果对比

文献	图像类型	分类器	新方法			对比基准
			具体方法	分割结果		具体方法	分割结果
Gray：灰度变换；Haar：Haar 小波变换；SVM：支持向量机（support vector machine）；GMM：高斯混合模型（Gaussian mixture model）；Prior：肿瘤的位置、大小和形状等先验知识；Binary1：标签转换惩罚（the label transition penalty）；Binary2：两两对比惩罚（the pairwise contrast penalty）；Binary12 相当于包括 Binary1 和 Binary2；CRF：条件随机场（conditional random field）；SSVM：结构支持向量机（structured support vector machine）；Pairwise：Pairwise 势函数[19]；THLB：基于基元直方图的逻辑启动（texton histogram with logistic booting）
罗蔓等[14]	脑肿瘤的 MRI 图像	SVM	Gray+Haar+3D-CNNs	Dice=0.871 4±0.037 2 SEN=0.922 0±0.041 7		Gray+Haar	Dice=0.833 8±0.036 3 SEN=0.873 0±0.051 0
Dhungel 等[15]	乳腺钼靶	SSVM	DBN+GMM+Prior+ Binary12	DI=0.88		GMM+Prior+Binary12	DI=0.86
Dhungel 等[16]	乳腺钼靶	CRF/SSVM	CNN+DBN+GMM+ Prior+Pairwise	DI=0.90/0.90		GMM+Prior+Pairwise	DI=0.88/0.86
Cha 等[17]	CT 尿路 造影	——	CNN+LS	JACCARD=0.762±0.118		CNN	JACCARD=0.662±0.118
Su 等[18]	乳腺癌病 理图像	——	fCNN	PREC=0.91±0.015 RC=0.82±0.02 F1=0.85±0.01		THLB	PREC=0.74±0.04 RC=0.81±0.05 F1=0.75±0.03