使用机器学习进行乳腺质量诊断的最佳快速分形方法

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 分形分析对于医学图像分析是有用的,但计算密集.
• 在乳房测试中对乳房病变进行分类,需要有效和准确的方法.
• 现有的分形方法面临着计算负载和处理时间的挑战.

研究的目的:

• 引入一个计算效率高的碎形方法,用于乳房病变的分类在乳房影像.
• 通过优化碎形信息提取来提高分类准确性.
• 为了减少与医学成像中的碎形分析相关的计算负担.

主要方法:

• 开发了一种用于乳腺损伤分类的快速碎形方法.
• 定义了一个客观函数,以确定最佳的分数尺度用于分类.
• 提取和使用的碎形信息完全来自最好的识别尺度.
• 使用支持矢量机 (SVM),遗传算法 (GA) 和深度学习 (DL) 分类器验证了该方法.

主要成果:

• 拟议的方法显著提高了计算速度,并减少了处理负载.
• 通过专注于最佳碎形信息来提高分类准确性.
• 在SVM,GA和DL的验证证实了该方法的有效性.
• 对比分析显示,与现有研究相比,分类性能优越.

结论:

• 通过选择最佳尺度来优化碎形信息提取对于高效准确的乳腺损伤分类至关重要.
• 拟议的快速碎形方法为改善乳房图分析提供了一个有前途的方法.
• 这种技术有可能提高乳腺癌查的诊断能力.