乳腺瘤超声波图像的良性和恶性分类使用传统的放射学和转移学习特征:一个多中心的回顾性研究
Ronghui Tian1, Guoxiu Lu2, Shiting Tang3
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Medical engineering & physics
|March 20, 2024
概括
这项研究开发了一种先进的乳腺瘤分类模型,使用了超声波图像的综合放射学和深度学习功能. 融合模型实现了高精度,为放射科医生提供了更好的诊断支持,并减少了患者负担.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在超声波图像中精确分类乳腺瘤对于及时诊断和治疗至关重要.
- 传统的放射学和深度学习为图像分析提供了互补的方法.
研究的目的:
- 利用超声波图像开发和评估一种有效的乳腺良性和恶性瘤分类模型.
- 结合传统的放射学和转移学习功能,以提高诊断性能.
主要方法:
- 使用了1050张乳腺瘤超声波图像的数据集,包括593例良性病例和357例恶性病例.
- 使用SVM和XGBoost分类器提取和分析了传统的放射学特征.
- 通过使用转移学习模型 (ResNet50,Inception-v3,DenseNet121,MNASNet,MobileNet) 提取了深度特征.
- 功能融合结合了传统的放射学和深度学习功能,使用SVM,ExtraTrees,XGBoost和LightGBM进行了评估.
主要成果:
- 传统的放射学实现了0.791 (SVM) 的最大平衡精度和0.854 (XGBoost) 的AUC.
- 使用MNASNet的转移学习产生了最佳的性能:平衡精度为0.866,AUC为0.937,灵敏度为0.819,特异性为0.913.
- 特性融合方法获得了最高的性能:平衡精度为0.964和AUC为0.981.
结论:
- 结合传统的放射学和转移学习功能,显著提高了乳腺瘤超声波图像分类准确度.
- 开发的自动诊断模型为放射科医生提供了宝贵的支持,并可以减少患者的负担.
- 该模型的性能保证了进一步的前性研究以临床实施.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
