再采样方法和放射性机器学习分类器的比较,用于使用双能X射线吸收计预测骨质
Mailen Gonzalez1,2, José Manuel Fuertes García3, María Belén Zanchetta4
1Instituto de Investigación en Tecnología Informática Avanzada, Universidad Nacional del Centro de la Provincia de Buenos Aires, Tandil 7000, Argentina.
Diagnostics (Basel, Switzerland)
|January 25, 2025
概括
这项研究引入了一种使用放射特征和机器学习的新方法,用于在双X射线吸收仪 (DXA) 图像中检测退化的骨结构,从而提高骨质评估的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 骨质疏松症研究 骨质疏松症研究
背景情况:
- 双X射线吸收计 (DXA) 对于骨健康评估至关重要.
- 在DXA图像中检测退化的骨结构仍然是一个挑战.
- 目前的质量评估工具有限,需要先进的分析方法.
研究的目的:
- 在DXA图像中开发和验证一种用于检测退化的骨结构的新方法.
- 提高临床医生的骨质评估工具的准确性和可访问性.
- 改善骨相关疾病的早期诊断和管理.
主要方法:
- 分析了1531张脊柱DXA图像的数据集.
- 使用Pyradiomics提取了放射性特征.
- 机器学习分类器 (逻辑回归,SVM,XGBoost) 在数据重新采样 (SMOTEENN) 后接受培训和评估.
主要成果:
- 支持矢量机 (SVM) 分类器表现出卓越的性能.
- 使用特定的放射性特征 (GLDM,GLRLM) 和SMOTEENN重新采样,获得了97.5%的F分数.
- 有效处理类不平衡对于最佳模型性能至关重要.
结论:
- 放射性纹理特征,重新采样技术和机器学习显示出在DXA图像中对骨健康进行分类的巨大潜力.
- 这种方法可以改善骨质退化的临床诊断和治疗策略.
- 开发的方法为可访问和准确的骨质质量评估提供了一个有前途的工具.
