基于放射学的脑瘤分类的通用多因素特征选择方法
Longfei Li1, Meiyun Wang2, Xiaoming Jiang3
1School of Computer and Artificial Intelligence, Zhengzhou University, Zhengzhou, China; Collaborative Innovation Center for Internet Healthcare, Zhengzhou University, Zhengzhou, China.
Computers in biology and medicine
|July 30, 2023
概括
一种新的三重因素级联选择 (TFCS) 方法使用放射学改善了脑瘤的分类. 这种通用特征选择方法提高了准确性和稳定性,为患者的预后提供了显著的进步.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
背景情况:
- 脑瘤分类对于治疗和预后至关重要.
- 医学图像的放射学分析提供了宝贵的见解.
- 目前的特征选择方法缺乏普遍性,阻碍了进步.
研究的目的:
- 解决放射学现有的特征选择方法在脑瘤分类的局限性.
- 提出一种通用的特征选择方法,即三重因素级联选择 (TFCS).
主要方法:
- TFCS利用了三个因素:特征标签相关性,特征相互依赖性和特征在模型中的作用.
- 该方法使用相互信息来进行初始特征选择和递归特征消除以进行改进.
- 在13项脑瘤分类任务中,对7个数据集进行了验证.
主要成果:
- 在所有任务中,TFCS表现出色,超过了13种相关方法.
- 该方法显示出优异的分类性能,适应性和稳定性.
- TFCS通过缩短计算时间和适度的节来实现这些结果.
结论:
- 拟议的TFCS方法为放射学中的特征选择提供了一种通用和有效的方法.
- 在特征选择中利用多个因素可以提高性能,并为未来的方法开发提供基础.
- 这一进步可以提高脑瘤分类的准确性和可靠性,最终有利于患者的治疗结果.
