多层感知子分类器与拟议的3D CNN特征和肺放射学特征的组合特征向量,用于COPD阶段分类
Yingjian Yang1,2, Nanrong Zeng2,3, Ziran Chen1,2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110169, China.
Journal of healthcare engineering
|November 13, 2023
概括
这项研究引入了一种结合3D CNN和放射学特征的新方法,用于使用CT扫描对慢性阻塞性肺病 (COPD) 阶段进行分类. 综合方法显著提高了分类准确性,证明了其在COPD诊断中的有效性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肺部病理学 肺部病理学
背景情况:
- 计算机断层扫描 (CT) 对于鉴定慢性阻塞性肺病 (COPD) 的特征至关重要.
- 准确的COPD阶段分类对于有效的患者管理至关重要.
- 目前基于CT的诊断方法可以得到增强,以改善分期.
研究的目的:
- 开发和验证一种新的特征组合策略,以加强COPD阶段分类.
- 通过使用多模式CT衍生功能的分类器来提高诊断性能.
- 评估结合3D CNN和放射学特征用于COPD分期的有效性.
主要方法:
- 使用ResU-Net.net的高分辨率CT (HRCT) 图像自动细分肺部区域.
- 通过转移学习提取3D卷积神经网络 (CNN) 功能.
- 使用PyRadiomics提取肺部放射学特征.
- 使用具有组合特征的多层感知子 (MLP) 分类器进行分类.
主要成果:
- 拟议的组合特征向量显著提高了MLP分类器的性能.
- 获得的准确度为0.879,平均F1得分为0.875,AUC为0.971.
- 仅使用3D CNN或放射学特征的分类器表现优于分类器,表现出显著的性能增长.
结论:
- 功能组合策略有效地提高了COPD阶段分类的准确性.
- 这种综合方法为改善COPD诊断和管理提供了有前途的工具.
- 这项研究证实了将深度学习和放射学结合起来,用于复杂的医学图像分析的实用性.
