一个改进的k-最近邻近算法用于识别和分类甲状腺结节
Xuesi Ma1, Xiang Han1, Lina Zhang2
1School of Mathematics and Information Science, Henan Polytechnic University, Jiaozuo, China.
概括
这项研究引入了一种改进的k-最近邻居 (KNN) 算法,用于准确的甲状腺结节分类,显著减少不平衡数据集中的错误. 增强的KNN方法实现了高性能,超过了医疗图像分析的传统算法.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在诊断中的应用.
背景情况:
- 甲状腺结节的分类对于诊断至关重要.
- 不平衡的数据集给传统的分类方法带来了挑战.
- 高分类错误率会影响诊断的准确性.
研究的目的:
- 开发一种甲状腺结节的自动识别和分类系统.
- 为解决不平衡样本场景中高分类错误率的问题.
- 提高甲状腺结节分类的准确性和可靠性.
主要方法:
- 开发了一个改进的k-最近邻居 (KNN) 算法.
- 改进的KNN算法包含了类标签的计数和权重.
- 使用明科夫斯基距离尺度,而不是欧几里德距离.
主要成果:
- 这项研究分析了508张甲状腺结节超声波图像 (415张良性,93张恶性).
- 改进的KNN实现了0.8725的准确性,0.8673的精度,1的回忆力和0.9290.1的F1得分.
- 评估了距离权重,k值和距离测量对分类的影响.
结论:
- 建议改进的KNN方法显示出卓越的性能.
- 该方法显著优于传统的KNN和其他经典机器学习方法.
- 这一进步为自动甲状腺结节分类提供了更可靠的工具.


