Table 3Comparison to other methods.

Table 3Comparison to other methods. We list other recent segmentation work performed on the same/similar datasets and organs and based on atlas-based segmentation propagation usingglobal affine (Wang et al., 2014), local non-rigid registration methods (Wolz et al., 2013) and in combination with machine learning (ML) (Tong et al., 2015). We also list a method usingregression forest (RF) and graph cut (GC) (Oda et al., 2016), and two other methods utilizing 2D FCNs (Roth et al., 2017; Zhou et al., 2016b). Validation of other methods was performedusing either leave-one-out-validation (LOOV) or cross-validation (CV). Best performance is shown in bold.

結果 (繁體中文) 1:

表3
相比於其它方法。我們列出了使用在相同/相似的數據集和機關執行，並根據地圖集分割傳播等近期分割工作
全局仿射（Wang等，2014），局部非剛性配準的方法（Wolz等，2013）和與機器學習（ML）組合（Tong等人，2015）。我們還列出使用方法
回歸森林（RF）和圖形切割（GC），並利用2D FCNs其他兩種方法（Oda等人，2016。）（Roth等人，2017; Zhou等，2016B）。的其他方法驗證進行
使用或者留一出驗證（lOOV的）或交叉驗證（CV）。最佳性能以粗體顯示。

結果 (繁體中文) 2:

表 3
與其他方法的比較。我們列出了最近對相同/類似資料集和器官執行的其他分割工作，並基於基於地圖集的分割傳播使用
全球仿強（Wang等人，2014年），本地非剛性註冊方法（Wolz等人，2013年），並與機器學習（ML）相結合（Tong等人，2015年）。我們還列出了使用
回歸林 （RF） 和圖形剪切 （GC）（Oda 等人，2016 年），以及利用 2D FCN 的其他兩種方法（Roth 等人，2017 年;周等人，2016b）。對其他方法進行了驗證
使用"一放驗證"或交叉驗證 （CV）。最佳性能以粗體顯示。

結果 (繁體中文) 3:

錶3
與其他方法比較。我們列出了最近在相同/相似的數据集和器官上進行的其他分割工作，並基於基於atlas的分割傳播使用
全球仿射（Wang等人，2014年）、本地非剛性註冊方法（Wolz等人，2013年）和結合機器學習（ML）（Tong等人，2015年）。我們還列出了一個使用
回歸森林（RF）和圖切割（GC）（Oda等人，2016），以及利用二維FCN的其他兩種方法（Roth等人，2017；Zhou等人，2016b）。對其他方法進行了驗證
使用漏掉一次驗證（LOOV）或交叉驗證（CV）。最好的表演以粗體顯示。