机器学习模型开发用于恶性前列腺损伤预测,使用超声波剪切波弹性学特征的纹理分析.

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在诊断中的应用
• 前列腺癌研究前列腺癌研究.

背景情况:

• 机器学习 (ML) 和人工智能 (AI) 越来越多地用于医疗图像分析,以提高诊断准确性.
• 纹理特征分析对于ML模型开发至关重要,用于区分良性和恶性组织.

研究的目的:

• 对正常和前列腺癌组织的超声波B模式和剪切波弹性成像 (SWE) 的定量纹理特征进行评估.
• 开发和评估ML模型,用于预测和分类正常与恶性前列腺组织.

主要方法:

• 从B模式和SWE图像中提取了第一级和第二级的纹理特征,包括灰级共发生矩阵 (GLCM),GLDLM,GLRLM和GLSZM.
• 开发和评估了五种ML模型 (SVM,RF,NB等). 使用62名患者数据的5倍交叉验证.
• 从SWE图像中重建的四个感兴趣区域 (ROI) 中分析了94个纹理特征.

主要成果:

• 在所有ROI中,除了B模式成像外,在正常和恶性组织之间观察到纹理特征的统计学上显著差异.
• 支持矢量机 (SVM),随机森林 (RF) 和天真湾 (NB) 模型表现出最高的性能.
• 灰度重建 (GPSWE和GRRI) 在前列腺癌预测中实现了高灵敏度 (82-98%) 和特异性 (90-96%).

结论:

• 纹理分析结合SWE-US上的ML和重建的图像有效地区分恶性和良性前列腺病变.
• 关键的纹理特征包括对比度,和相关性.
• 射频,SVM和NB模型表现出卓越的分类性能,灰度重建提高了检测准确性.