利用生物灵感分类器来提高通过超声波图像检测肝硬化病的性能
Karthikamani Ramamoorthy1, Harikumar Rajaguru2
1Department of ECE, Sri Ramakrishna Engineering College, Tamil Nadu 641022, India.
Biomimetics (Basel, Switzerland)
|June 26, 2024
概括
这项研究引入了先进的集群和机器学习方法,以从超声波图像中检测肝硬化. 一种混合人工藻类优化-高斯混合物模型分类器在识别肝硬化时实现了99.03%的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 肝硬化是一个主要的公共卫生问题,也是肝病导致死亡的主要原因.
- 准确预测肝硬化状态对于及时干预和患者管理至关重要.
- 自动化计算机辅助诊断方法有可能提高肝硬化检测的准确性和效率.
研究的目的:
- 评估各种聚类和分类技术的有效性,以检测超声波图像的肝硬化.
- 为了比较不同特征提取和分类算法的性能,在区分正常和肝硬化的肝脏组织.
- 为了确定最佳的混合模型,准确的肝硬化诊断.
主要方法:
- 使用集群技术提取特征:在肝脏的超声波图像上使用模糊的c-means (FCM),可能的模糊的c-means (PFCM) 和可能的c-means (PCM).
- 使用高斯混合模型 (GMM),软max分辨分类器 (SDC),波搜索算法 (HSA),支持矢量机 (SVM) 和人工藻类优化 (AAO) 来分类提取的特征.
- 开发和评估混合AAO-GMM分类器,利用PFCM功能提高诊断性能.
主要成果:
- 混合人工藻类优化-高斯混合模型 (AAO-GMM) 分类器,结合可能的模糊c-means (PFCM) 特性,证明了卓越的性能.
- 拟议的混合模型实现了高精度99.03%和0.90.90的马修斯相关系数 (MCC).
- 通过对各种指标进行性能比较,包括精度,F1分数,MCC,F测量,错误率和贾卡德指标 (JM),强调了AAO-GMM-PFCM方法的有效性.
结论:
- 开发的混合AAO-GMM分类器与PFCM功能提供了一个非常准确和有效的自动化方法,用于通过超声波图像检测肝硬化.
- 这种方法在早期和准确诊断肝硬化时具有显著的临床应用潜力.
- 该研究强调了将先进的机器学习技术与强大的特征提取相结合的重要性,以改进医疗诊断工具.
