非线性特征提取方法基于双树复杂波纹转换脑磁共振成像的子图像用于多种疾病的分类
Amir Bazdar1,2, Amir Hatamian1, Javad Ostadieh1,3
1Department of Electrical and Computer Engineering, Urmia University, Urmia, Iran.
Journal of medical signals and sensors
|July 14, 2023
概括
这项研究引入了一种新的非线性特征提取方法,使用2D双树复杂波纹转换 (2D DT-CWT) 进行脑MRI疾病分类. 拟议的混合RBF网络实现了100%的准确性,提供了一个计算高效和精确的诊断工具.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 磁共振成像 (MRI) 对于检测大脑疾病至关重要.
- 目前的MRI分类方法在准确性和效率方面有待改进.
- 需要先进的特征提取和分类技术来准确诊断多类脑疾病.
研究的目的:
- 开发一种用于脑MRI的新型非线性特征提取方法.
- 提出一个计算效率高的混合辐射基函数 (RBF) 网络,用于多类脑疾病的分类.
- 与现有方法相比,实现高分类准确性并降低计算复杂性.
主要方法:
- 从MRI子图像中提取非线性特征,使用三级2D双树复杂波纹转换 (2D DT-CWT).
- 使用光谱回归差异分析 (SRDA) 减少特征.
- 使用混合RBF网络集成k-means和递归最小方程 (RLS) 算法进行分类.
主要成果:
- 混合RBF网络在两类和多类 (8和10类) 脑疾病中实现了100%的分类准确性.
- 与支持矢量机器 (SVM) 和K-近邻 (KNN) 相比,拟的方法显示出更高的性能.
- 该方法可以显著降低计算复杂度,同时保持高精度.
结论:
- 开发的非线性特征提取和混合RBF网络为脑MRI疾病分类提供了计算上合理和高度准确的方法.
- 这种方法提高了通过MRI扫描诊断多种脑疾病的可靠性和效率.
- 这项研究为神经成像中的临床应用提供了一个有希望的低复杂度,高精度的解决方案.
