脑瘤分类:一种新的方法,整合了GLCM,LBP和复合特征
G Dheepak1, Anita Christaline J1, D Vaishali1
1Department of Electronics & Communication Engineering, Faculty of Engineering and Technology, SRM Institute of Science and Technology, Vadapalani Campus, Chennai, TN, India.
Frontiers in oncology
|February 14, 2024
概括
这项研究引入了一种新的脑瘤分类方法,使用灰级共发生矩阵 (GLCM) 和局部二进制模式 (LBP) 功能. 该方法达到99.84%的准确性,改善了瘤识别和治疗规划.
科学领域:
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 手动瘤图像分析是耗时且主观的.
- 准确的瘤分类对于患者护理和治疗计划至关重要.
- 现有的方法可能缺乏复杂瘤识别所需的精度.
研究的目的:
- 开发一种自动化,定量方法来对脑瘤进行分类 (瘤,脑膜瘤,垂体瘤).
- 增强特征提取技术,以提高瘤检测和分类准确度.
- 整合新的交互特征,以获得更高的辨别能力.
主要方法:
- 利用灰级共发生矩阵 (GLCM) 和局部二进制模式 (LBP) 功能进行定量瘤图像分析.
- 通过GLCM和LBP特征向量的外部产物开发了新的相互作用特征.
- 整合了来自GLCM的聚合,统计和非线性特征,并使用了线性支持矢量机器分类器.
主要成果:
- 综合特征提取方法在瘤图像数据集上表现出高效.
- 在脑瘤分类中达到99.84%的卓越准确率.
- 相互作用特征显著增强了提取的特征的辨别能力.
结论:
- 拟议的方法提供了大脑瘤分类准确性的显著进步.
- 集成GLCM和LBP功能提供了一个全面的纹理表示.
- 这种方法在改善诊断精度和临床治疗规划方面具有巨大的潜力.
