基于灰度超声波纹理和机器学习的微波剥离温度预测模型的研究

科学领域:

• 医学物理 医学物理
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 准确的温度预测对于肝癌治疗中有效的微波除至关重要.
• 估计凝血区对于成功的临床结果至关重要.

研究的目的:

• 开发一种机器学习模型,用于精确预测微波除过程中的温度.
• 评估模型在确定凝血区大小方面的能力.

主要方法:

• 随机森林机器学习模型在超声波灰度图像和来自猪肝组织的温度数据上进行训练.
• 在15W和20W的消光功率下进行的实验.
• 通过将预测的凝血区域与实际测量进行比较来验证模型的准确性.

主要成果:

• 该模型在温度预测方面取得了高精度,平均绝对误差为1.14°C (15 W) 和4.73°C (20 W).
• 凝血面积测量精度超过了传统的超声波成像,误差比为0.402和0.182.
• 该模型确定了与温度相关的关键纹理特征,提供了可解释性.

结论:

• 提出的温度预测模型适用于微波除过程中的实时监测.
• 该模型有效地评估了凝血区范围,提高了处理精度.