放射学和深度特征:大脑出血的强有力的分类和可复制性分析使用3D自编码神经网络
Salar Bijari1, Sahar Sayfollahi2, Shiwa Mardokh-Rouhani3
1Department of Radiology, Faculty of Paramedical, Kurdistan University of Medical Sciences, Sanandaj P.O. Box 66177-13446, Iran.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
这项研究表明,3D自动编码器的深度特征 (DF) 在分类脑出血方面提供了更高的准确性,而机器学习的放射特征 (RF) 则相比之下. DFs可以提高头部CT扫描的解释,以检测出血.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 对脑出血的准确分类对于患者管理至关重要.
- 整合放射特征 (RF) 和深度特征 (DF) 的机器学习模型显示出分析CT脑图像的前景.
- 这些特征类型的可复制性和性能比较对于临床翻译至关重要.
研究的目的:
- 评估机器学习模型的可重现性和分类性能,使用放射学和深度特征来检测脑出血.
- 为了比较从CT扫描中提取的RF和DF的有效性.
- 为了确定最佳的特征选择和分类策略,用于大脑出血分类.
主要方法:
- 从720名患者的CT脑图像中提取了215个RF和15680个DF.
- 使用类内相关系数 (>0.75) 选的特征,识别了135个RF和1054个DF.
- 采用了特征选择 (Boruta,RFE,XGBoost,ExtraTreesClassifier) 和11个分类器 (例如SVM,随机森林,天真贝耶斯).
- 使用AUC,准确度,灵敏度,F1得分的评估模型,具有超参数优化和启动.
主要成果:
- 深度特征 (DFs) 显示了比放射性特征 (RFs) 更高的分类准确性.
- 最优的射频模型 (Boruta + SVM) 实现了AUC 0.89,ACC 0.85,SEN 0.82,F1 0.80. 这是一个很好的结果.
- 最佳的 DF 模型 (ExtraTreesClassifier + Naive Bayes) 实现了 AUC 0.96,ACC 0.93,SEN 0.92,F1 0.92. 这是一个非常好的结果.
- 几种RF和DF模型显示出显著的可重现性 (高的q值).
结论:
- 从3D自动编码器中提取的深度特征显著优于用于脑出血分类的放射性特征.
- 集成DF的机器学习模型显示了作为头部CT解释的有效选工具的高潜力.
- 这种方法可以帮助提高诊断脑出血的准确性和效率.
