统计,放射学和深度学习的比较研究,用于医疗图像分类的特征提取技术,以光学和放射学方式进行比较

科学领域:

• 医学成像分析 医学成像分析
• 机器学习 机器学习
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 在医学图像分析中,特征提取对于机器学习 (ML) 至关重要,它将原始数据转化为可解释的表示.
• 传统的方法,如统计和放射学特征提取,对于复杂的医疗数据集可能耗时且效率较低.
• 深度学习 (DL) 模型在图像分析方面表现有前途,但需要对医疗环境中的传统方法进行比较评估.

研究的目的:

• 为了比较统计学,放射学和深度特征的有效性,用于跨不同医学成像模式的二进制分类.
• 评估不同特征提取技术对模型延迟和性能 (平均灵敏度) 的影响.
• 为现实世界医学图像分类任务确定最适合的特征提取方法.

主要方法:

• 应用统计,放射学和深度特征提取在血素和乙素 (H&E) 染色,胸部X射线和视网膜光学一致性断层扫描 (OCT) 图像上.
• 使用主要组件分析-线性差异分析 (PCA-LDA) 作为分类模型.
• 基于提取/预测延迟和平均灵敏度 (平衡精度) 的评估模型.

主要成果:

• 统计和放射学特征在所有模式中表现出高延迟和较低的性能.
• 预先训练的深度学习网络 (ResNet50,DenseNet121) 在显著降低延迟时表现出卓越的性能.
• 对于H&E图像,ResNet50在四分之一的时间内实现了96.9%的灵敏度 (相对于统计图像的90.8%).
• 对于胸部X射线,ResNet50产生了96%的灵敏度,以更快的提取速度超过放射性 (92.2%) 的性能.
• 对于视网膜OCT,DenseNet121在15分钟内达到98.6%的灵敏度,超过了放射性 (91%).

结论:

• 深度学习技术在医疗图像分类任务中明显优于统计和放射学特征.
• 在速度和准确性方面,DL模型提供了令人信服的优势,这对于时间敏感的临床应用至关重要.
• 这些发现支持采用DL用于医疗成像中增强诊断能力.