PFP-HOG:基于金字塔和固定尺寸补丁的HOG技术,用于用MRI自动化大脑异常分类
Ela Kaplan1, Wai Yee Chan2, Hasan Baki Altinsoy3
1Department of Radiology, Elazig Fethi Sekin City Hospital, Elazig, Turkey.
Journal of digital imaging
|August 3, 2023
概括
一种使用金字塔和固定尺寸补丁 (PFP) 的新方法,与导向梯度 (HOG) 组图的特征,改善了MRI扫描中神经系统异常的检测. 这种方法减少了计算时间,同时保持了高准确性来诊断诸如阿尔茨海默病和脑瘤等疾病.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习在神经病学中的应用
- 计算神经科学是一种神经科学.
背景情况:
- 从MRI检测神经系统异常,如阿尔茨海默病 (AD) 和脑瘤,对于诊断至关重要.
- 现有的MRI分析的深度学习模型经常受到高时间复杂性的困扰.
- 需要有效和准确的方法来帮助神经科医生选大脑异常.
研究的目的:
- 开发一种新的,时间效率高,手工建模的基于特征的学习网络,用于MRI中检测神经系统异常.
- 引入新的功能生成架构,金字塔和固定大小补丁 (PFP),以提高分类性能.
- 为了减少与深度学习模型相关的时间复杂性,同时实现大脑异常检测的高精度.
主要方法:
- 提出了一种新的特征生成架构:使用手工制作的特征提取器使用金字塔和固定尺寸补丁 (PFP).
- 与PFP架构 (PFP-HOG) 集成的面向梯度 (HOG) 历史图,用于歧视性特征提取.
- 使用代Chi2 (IChi2) 进行特征选择和k-最近邻居 (kNN) 用十倍交叉验证进行分类.
主要成果:
- 基于PFP-HOG和IChi2的模型在多个数据集中实现了高分类准确性.
- 具体准确度包括:AD数据集的100%;脑瘤数据集1的94.98%;脑瘤数据集2的98.19%;合并数据集的97.80%.
- 与深度学习方法相比,拟议的方法证明了强大的分类性能和减少了时间复杂性.
结论:
- 新的PFP-HOG特征提取方法提供了一个准确而有效的方法来检测MRI的神经系统疾病.
- 这种模型有可能通过提供可靠的工具来验证手动MRI脑异常查来协助神经病学家.
- 这项研究强调了手工制作特征的有效性,以及医疗图像分析的优化选择和分类.
