多模式定量超声波信封统计基于成像的支向量机器用于表征组织散射器分布模式:检测微波诱导的热病变的方法和应用
Sinan Li1, Po-Hsiang Tsui2, Weiwei Wu3
1Department of Biomedical Engineering, College of Chemistry and Life Sciences, Beijing University of Technology, Beijing, China.
Ultrasonics sonochemistry
|May 21, 2024
概括
这项研究引入了一种机器学习方法,使用多模式超声波信封统计数据来检测猪肝中微波切除的热病变. 该方法通过分析散射模式来准确识别病变,优于传统的单参数成像.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 定量超声波信封统计图像成像特征组织散射器分布.
- 像纳卡加米成像,同质化K成像和信息成像等技术至关重要.
- 检测微波除的热病变需要精确的组织特征.
研究的目的:
- 开发和验证一种机器学习方法,整合多模式定量超声波封面统计数据,用于热损伤检测.
- 评估这种方法在识别猪肝中微波除诱导的病变中的性能.
主要方法:
- 一个支持向量机 (SVM) 模型被训练使用同质化-K log10(α),Nakagami-m,和水平规范的Shannon参数.
- 该模型使用异质幻影模拟和ex vivo猪肝实验进行了验证.
- 使用分类准确度,面积准确度,子得分和豪斯多夫距离来评估性能.
主要成果:
- 在幻影模拟中,SVM模型实现了>0.90分类准确度.
- 在ex vivo实验中,SVM模型达到0.85的分类准确度,具有89.1%的面积准确度和0.77的子分数用于病变识别.
- 与单参数成像技术相比,拟议的方法显示出更高的性能.
结论:
- 基于多模式定量超声波信封统计成像的SVM方法有效地表征组织散射模式.
- 这种方法显示出检测微波除引起的热病变的巨大潜力.
