使用尺度不变特征和极端梯度增强的多类别的计算机辅助诊断
1Department of Computer Science and Applications, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Kollam, Kerala, India.
Journal of medical physics
|November 16, 2023
概括
这项研究开发了一种机器学习框架,用于从结肠镜图像中分类结肠直肠多. 拟议的方法实现了高精度,超越了聚类分类的最新技术.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算病理学计算病理学
背景情况:
- 结肠直肠癌的诊断依赖于准确的结肠镜图像分析.
- 机器学习模型在分类结直肠多瘤方面表现有前途.
- 技术的进步使得内镜图像的复杂分析成为可能.
研究的目的:
- 开发一个从结肠镜图像分类多的框架.
- 为了提高结直肠癌识别的诊断准确度.
- 评价一种新型聚类分类方法的性能.
主要方法:
- 结肠镜图像进行了预处理,以删除光谱反射.
- 使用拉顿变换和泽尼克瞬间提取了规模不变的特征.
- 极端梯度增强 (XGBoost) 算法用于聚类的分类.
主要成果:
- 拟议的框架实现了光XGBoost的分类准确率为93%,XGBoost的分类准确率为92%.
- 交叉验证证实了实验结果的稳定性.
- 与现有的最先进的技术相比,该方法显示出更高的性能.
结论:
- XGBoost与尺度不变特征相结合,可以有效地从结肠镜图像中分类聚.
- 开发的框架为改善结直肠癌诊断提供了一个有前途的工具.
- 这种方法显示出在具有小数据集的临床环境中应用的潜力.
