基于超声波和光学成像数据的兽医癌症的机器学习诊断
Martynas Maciulevičius1,2,3, Greta Rupšytė3, Renaldas Raišutis3,4
1Research Institute of Natural and Technological Sciences, Vytautas Magnus University, Kaunas, Lithuania.
The veterinary quarterly
|May 30, 2025
概括
这项研究通过将机器学习与多式成像技术相结合,提高了犬猫瘤诊断的效果. 使用超声波,白光和光成像的混合方法显著提高了各种瘤类型的分类效率.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 准确诊断犬类和猫类皮下瘤对于有效治疗至关重要.
- 目前的诊断方法在区分良性和恶性瘤类型方面可能受到限制.
研究的目的:
- 为了提高犬类和猫类皮下瘤的诊断效率.
- 评估将机器学习与多式成像 (白光,光,超声波) 结合的有效性.
主要方法:
- 使用了通过顺序特征选择优化的支持矢量机器和合集分类器.
- 量化分析超声波 (美国) 无线电频率信号,以导出颜色图和形态特征.
- 结合了美国数据与白光 (WL) 和光 (FL) 成像,用于混合诊断方法.
主要成果:
- 混合US+WL成像实现了85-90%的分类效率来区分巨细胞瘤和软组织肉瘤.
- 通过使用单个WL特征,实现了近100%的分类效率来区分良性和恶性瘤.
- 3D超声波分析显示,乳腺细胞瘤和肉瘤的差异化率为~70%,良性与恶性组织的差异化率为>95%.
结论:
- 多模式成像与机器学习相结合,为诊断犬类和猫类皮下瘤提供了强大的和高效的方法.
- 混合成像技术,特别是US+WL,显著提高了诊断准确度.
- 开发的诊断模型提供了互补的支持,改善了异质组织的特征.
