基于使用机器学习对脑瘤区域分类精度的混合特征优化技术的分析以及基于研究所测试数据的进一步评估
Soniya Pal1,2, Raj Pal Singh1, Anuj Kumar3
1Department of Physics, GLA University, Mathura, Uttar Pradesh, India.
Journal of medical physics
|June 3, 2024
概括
这项研究优化了利用机器学习从MRI扫描中提取脑瘤特征,在分类瘤区域 (如胀和核心) 中实现了高精度. 自动化方法减少了人类的专业知识和脑瘤分析的时间.
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:
- 大脑瘤需要准确的分类才能得到有效的治疗.
- 手动细分和分类脑瘤区域是耗时的,需要专门的专业知识.
- 磁共振成像 (MRI) 为分析瘤特征提供了丰富的数据.
研究的目的:
- 从MRI图像中提取最佳的大脑瘤特征.
- 将瘤区域分为周周胀,增强核心和死核瘤核心.
- 评估机器学习分类模型,用于自动识别瘤区域.
主要方法:
- 利用了599项脑部MRI研究的数据集.
- 使用pyRadiomics提取了放射性特征.
- 使用变化的惯性重量和主要组件分析 (PCA) 的粒子群优化 (PSO) 优化功能.
- 使用支持向量机 (SVM),光梯度增强 (LGB) 和极端梯度增强 (XGB) 模型分类瘤区域.
主要成果:
- 混合优化技术 (PSO和PCA) 实现了高分类准确度.
- 在在线测试数据集 (OTD) 上,LGBM的准确性高达0.998.
- 在研究所测试数据 (ITD) 上,XGBM的准确性高达0.997.
结论:
- 拟议的方法有效地从MRI中分类大脑瘤区域 (外周胀,增强核心,死核瘤核心).
- 混合最佳特征选择技术使自动分类能够在减少人类专业知识和时间的情况下实现.
- 这些发现支持使用先进的机器学习来进行高效准确的脑瘤分析.
