空间局部化的深度特征的稀疏近似,用于乳腺质量表征
Chelsea Harris1, Uchenna Okorie1, Sokratis Makrogiannis1
1Division of Physics, Engineering, Mathematics, and Computer Science, Delaware State University, 1200 N DuPont Hwy, Dover, DE 19901, USA.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
我们开发了一种新的深度特征分类技术,用于乳腺质量诊断. 这种方法提高了区分良性和恶性瘤的准确性,有助于早期发现乳腺癌.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 机器学习 机器学习
背景情况:
- 乳腺癌是全球主要的死亡原因之一.
- 精确的诊断乳腺质量在乳房影像是有效治疗的关键.
- 深度学习在计算机辅助诊断方面表现有前途,但需要进一步研究.
研究的目的:
- 调查使用深度特征生成字典用于基于近似的乳腺质量的稀疏分类.
- 开发和评估一种新的基于深度特征的稀疏近似分类技术.
- 为了提高乳房质量在乳房影像中被分类为良性或恶性乳房质量的准确性.
主要方法:
- 提出了基于深度特征的稀疏近似分类技术.
- 从深度特征和感兴趣区域 (ROI) 的计算稀疏近似来构建字典.
- 介绍了用于字典构建和稀疏编码的块和补丁分解方法.
主要成果:
- 深度特征生成的字典比传统方法产生了更具歧视性的稀疏近似.
- 提出的技术实现了与最先进的方法相比具有竞争力的性能.
- 区块和补丁分解策略简化了稀疏的编码,并找到可处理的解决方案.
结论:
- 基于深度特征的稀疏近似对于分类乳腺质量是有效的.
- 开发的技术为计算机辅助诊断乳腺癌提供了一个有希望的方法.
- 这种方法有可能提高诊断准确度并降低死亡率.
