基于多曝光激光光斑对比成像 (MECI) 的血流预测使用随机森林 (RF) 与K-Means (KM) 的随机森林

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 准确的血流预测对于医学诊断,药物开发和组织工程至关重要.
• 多次曝光激光光斑对比成像 (MECI) 是研究组织血液流动动学的关键技术.
• 循环系统疾病需要可靠的方法来监测和诊断血流异常.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于使用MECI数据进行实时血流预测.
• 评估不同ML算法的性能,包括集群,随机森林 (RF) 和支持矢量机 (SVM),用于血流分类.
• 确定最准确的ML方法来预测血液流速在0.1到1mm/s的范围内.

主要方法:

• 使用多曝光激光斑点对比成像 (MECI) 来捕获实时血流数据.
• 获得了多次测量,具有不同的曝光时间和对比度,以增强数据丰富性.
• 应用机器学习算法,特别是K-means集群结合随机森林 (RF) 和支持矢量机器 (SVM),用于数据分析和预测.

主要成果:

• 随机森林 (RF) 算法,当与K-means集群集成时,在血液流量分类中表现出卓越的性能.
• 达到98.5%的高精度,92%的精度和98.9%的特异性,分类误差为1.5%.
• 开发的ML方法有效地预测了在测试范围 (0.11毫米/秒) 的血液流量.

结论:

• 将聚类和随机森林算法与MECI结合在一起,为血流预测提供了一个高度准确和有效的方法.
• 这种强大的技术显示出在医学诊断,药物开发和组织工程中的各种应用的巨大潜力.
• 该研究验证了ML驱动的MECI作为推动医疗保健和生物医学研究的强大工具.