在机器学习中检查特征提取和分类模块,用于诊断低剂量计算机断层扫描查检测到的in vivo病变

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在诊断中的应用.
• 计算机辅助诊断是一种计算机辅助的诊断.

背景情况:

• 在体内病变的计算机辅助诊断 (CAD) 的机器学习 (ML) 涉及特征提取和分类.
• 这项研究重点是诊断低剂量计算机断层扫描 (CT) 查检测到的肺结节和结肠直肠多.

研究的目的:

• 在基于ML的CAD中调查特征提取和分类模块的单个性能.
• 为了比较不同的特征提取方法来诊断肺结节和结直肠多.

主要方法:

• 研究了三个特征提取方法:Haralick图像纹理特征 (HFs),深度学习抽象特征 (DFs) 和组织能量特定特征特征 (TFs).
• 使用随机森林 (RF) 分类器分类特征,并与深度学习-CNN (DL-CNN) 端到端方法进行比较.
• 在三个损伤图像数据集上使用接收器操作特征曲线 (AUC) 下的面积来评估性能.

主要成果:

• 组织能量特征 (TFs) 实现了最高的AUC值 (0.9850.996),明显超过HF (0.7240.878) 和DF (0.6520.965).
• 射频分类器的性能与DL-CNN分类模块的性能相当.
• 在DL-CNN的研究中,AUC值达到0.694到0.964.

结论:

• 功能提取模块对诊断性能比功能分类模块更为关键.
• 提取特定组织能量特征的特征特征,与CAD的图像抽象和纹理特征相比,提供了更高的性能.
• 这凸显了针对医疗图像分析量身定制特征工程的重要性.