对Biglycan生物标志物图像的乳腺癌检测特征和分类技术的比较分析
Jumana Ma'touq1, Nasim Alnuman1,2
1Department of Biomedical Engineering, School of Applied Medical Sciences, German Jordanian University, Amman, Jordan.
Cancer biomarkers : section A of Disease markers
|August 23, 2024
概括
精确的乳腺癌检测是可能的,使用机器学习的Biglycan生物标记物图像. 灰度组图功能与k-NN分类实现了最高的准确性,有助于早期诊断.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 乳腺癌 (BC) 是全球最常见的癌症.
- 早期诊断BC显著改善患者的治疗结果,并降低死亡率.
- 由于组织复杂性和呈现变异性,对乳腺病变的放射学解释具有挑战性.
研究的目的:
- 研究最佳特征和分类方法,以准确检测乳腺癌.
- 分析336张Biglycan生物标志物图像用于乳腺癌的识别.
- 在提取的图像特征上评估各种机器学习算法的性能.
主要方法:
- 提取了五个不同的特征:形状 (Harris,MinEigen),频率 (Fourier,Wavelet) 和统计 (直方图).
- 采用了六种分类算法:k-NN,天真贝叶斯,pl-DA,SVM,决策树和随机森林.
- 使用了来自Mendeley数据的Biglycan乳腺癌数据集.
主要成果:
- 灰度组图特征在多个分类器中表现出卓越的性能.
- 使用灰度图谱特征,k-NN实现了最高的准确性 (97.6%).
- 波形特征也显示了与各种分类器有希望的准确性 (高达94.6%).
结论:
- 机器学习模型在乳腺癌检测方面表现出高准确度.
- 这项技术可以支持临床医生分析医学图像和活检样本.
- 改善早期诊断和风险分层是应用AI在瘤学的潜在好处.
