一种基于多尺度纹理特征分析和动态学习的新型乳腺癌图像分类模型
Jia Guo1,2,3, Hao Yuan1,2,3, Binghua Shi4,5,6
1Hubei Key Laboratory of Digital Finance Innovation, Hubei University of Economics, Wuhan, 430205, Hubei, China.
Scientific reports
|March 28, 2024
概括
这项研究引入了一种无监督模型,用于使用多尺度纹理分析对乳腺癌图像进行分类. 这种新的方法达到很高的准确性,为医学诊断提供了宝贵的工具.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 医疗图像分类的传统机器学习需要大量的标记数据和长时间的培训时间,增加成本并限制实际使用.
- 开发高效,具有成本效益的自动诊断工具对于减少医疗保健专业人员的工作负担和改善患者治疗结果至关重要.
研究的目的:
- 提出一个新的无监督乳腺癌图像分类模型用于乳房影像.
- 通过采用多尺度纹理分析和动态学习策略来克服传统方法的局限性.
主要方法:
- 图像被转化为多尺度纹理特征向量,使用灰色水平共发生矩阵和Tamura粗度.
- 无监督的动态学习机制被用来对这些特征向量的分类.
主要成果:
- 拟议的无监督模型在模拟实验中实现了高性能指标.
- 具体结果包括91.500%的精度,92.780%的精度,91.370%的F1得分和91.500%的AUC在40像素分辨率下.
结论:
- 开发的无监督乳腺癌分类模型显示了帮助医疗人员的巨大潜力.
- 该方法为乳腺癌诊断提供了有效和高效的参考,特别是从乳房影像.
