最近在特征提取和基于分类的骨癌检测方面的进展 - 一项系统性审查
Kanimozhi S1, Sivakumar Rajagopal1, Ananthakrishna Chintanpalli2
1Department of Sensor and Biomedical Technology, School of Electronics Engineering, Vellore Institute of Technology, Vellore, 632014, India.
Biomedical physics & engineering express
|June 27, 2025
概括
这项研究回顾了骨癌分类技术,发现将深度学习与GLCM和LBP等特征提取方法相结合,可以提高检测骨癌的诊断准确性.
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:
- 骨癌是一个重要的健康问题,由于非特异性症状,早期诊断具有挑战性.
- 自动化系统对于区分癌症和健康骨扫描至关重要,因为视觉特征可能相似.
- 准确和及时的诊断对于有效的骨癌治疗和患者的生存至关重要.
研究的目的:
- 系统地审查骨癌检测的分类技术.
- 分析特征提取方法,机器学习 (ML) 和深度学习 (DL) 方法.
- 为了评估分类器的准确性,在骨癌诊断中的优点和缺点.
主要方法:
- 对129项关于骨癌分类的研究进行了系统的文献审查.
- 用ML和DL算法分析了使用各种特征提取技术 (例如GLCM,LBP) 的研究.
- 专注于对正常和异常的骨扫描图像进行分类,以改善诊断分析.
主要成果:
- 卷积神经网络 (CNN) 与纹理特征提取方法相结合,在骨癌检测中实现了高精度.
- 像灰色水平共发生矩阵 (GLCM) 和局部二进制模式 (LBP) 这样的特征提取技术显著提高了DL模型的性能.
- 没有特征提取的深度学习分类与包含特征分析的方法相比,显示精度较低.
结论:
- 将高级特征提取与深度学习模型集成,为骨癌诊断提供了更高的准确性.
- 该审查强调了自动化系统在改善早期和准确检测骨癌方面的潜力.
- 对ML和DL进步的进一步研究可以提高骨癌分类和患者的治疗结果.
