构建良性和恶性乳腺瘤的最佳分类模型,基于多模式图像的多特征分析
Ronghui Tian1, Guoxiu Lu1,2, Nannan Zhao3
1College of Medicine and Biological Information Engineering, Northeastern University, No. 195 Chuangxin Road, Hunnan District, Shenyang, 110819, Liaoning Province, China.
Journal of imaging informatics in medicine
|February 21, 2024
概括
这项研究开发了一种多式模式模型,将数字乳腺断层合成 (DBT-CC) 和超声波 (美国) 图像的放射性和深度特征融合在一起. 该模型准确地区分良性和恶性乳腺瘤,显示出临床潜力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 精确区分良性和恶性乳腺瘤对于有效治疗至关重要.
- 多模式成像方法可能会提高诊断准确性.
研究的目的:
- 开发和评估一个多式分类模型,通过融合来自数字乳腺图解合成 (DBT-CC) 和超声波 (US) 图像的放射性和深度特征.
- 评估这种融合特征模型的临床价值,用于良性-恶性分类.
主要方法:
- 使用了487名患者的多式数据集 (DBT-CC和美国图像).
- 传统的放射性和深度特征从内和周区域提取.
- 使用堆叠融合的支持矢量机 (SVM) 分类器实现了最佳性能.
主要成果:
- 最优的SVM模型实现了0.953的精度和0.959.95的AUC.
- 在区分良性和恶性瘤方面报告了高灵敏度 (0.952) 和特异性 (0.955).
- 融合模型在临床应用中显示出显著的前景.
结论:
- 来自DBT-CC和美国图像的深层和周围瘤放射性特征的融合对于乳腺瘤分类是有效的.
- 这种多模式的方法显示出强大的潜力,可以提高乳房成像中的良性-恶性分化的准确性.
