在大脑瘤检测和特征提取中使用生物启发的DWT方法和SVM的独特方法

科学领域:

• 医学成像分析 医学成像分析
• 计算生物学 计算生物学
• 机器学习在医学中的应用

背景情况:

• 脑瘤细分和分类对于治疗至关重要,但由于瘤异质性,仍然具有挑战性.
• 现有的方法经常与脑瘤的多样性特征作斗争,影响诊断的准确性.

研究的目的:

• 开发和评估用于脑瘤细分和分类的增强方法.
• 为了提高医疗图像分析对脑瘤的准确性和效率.

主要方法:

• 利用离散波形变换 (DWT) 和主要组件分析 (PCA) 来进行功能增强和选择.
• 采用Otsu的初始细分方法,然后使用PCA来减少维度.
• 使用灰级共发生矩阵 (GLCM) 提取的纹理特征.
• 使用具有各种内核的支持矢量机 (SVM) 分类瘤.

主要成果:

• 实现了高性能指标:86.9%的回忆,95.2%的精度和90.9%的F测量.
• 显示了0.82的子相似性指数系数,表明自动化和手动细分之间存在很强的一致性.
• 拟议的方法显示,与现有技术相比,其质量和准确性得到了提高.

结论:

• 结合DWT-PCA方法与SVM分类,为大脑瘤细分和分类提供了强大而准确的解决方案.
• 这种方法提高了医疗图像分析的可靠性,有可能改善患者的治疗结果.