基于美国射频时间序列的乳腺病变的计算机辅助分类,使用一种新的机器学习方法

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:

• 超声波 (美国) 射频 (RF) 时间序列显示乳腺癌查的希望.
• 这种方法提供了一种无需额外设备的非侵入性方法.

研究的目的:

• 开发一种机器学习 (ML) 方法来自动分类乳腺病变.
• 使用美国射频时间序列特征将病变分为良性,可能良性,可疑和恶性类别.

主要方法:

• 分析了来自118名患者的220个美国射频时间序列数据集.
• 从时间,频率和时间频率领域中提取了291个感兴趣区域 (ROI) 的特征.
• 采用参考分类方法 (RCM) 和Lee过器来降低噪音.

主要成果:

• 实现了高分类准确度:98.59% (2类),98.13% (3类) 和96.10% (4类).
• 使用了支持向量机 (SVM) 和K-近邻 (KNN) 分类器,具有5倍交叉验证.
• 证明了李波器在减少斑点噪声方面的有效性.

结论:

• 拟议的CCRFML方法有效地区分乳腺病变,使用体内射频时间序列和ML.
• 高分类准确度支持其在协助医疗专业人员进行非侵入性乳腺损伤差异化方面的作用.