组织类型的超声波无线电频率时间序列:在体内乳房样本上的实验,使用质地优化的特征和多原始分类方法 (MOMC) 进行实验.
Mahsa Arab1, Ali Fallah1, Saeid Rashidi2
1Faculty of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran.
概括
本研究引入了一种机器学习 (ML) 方法,使用超声波 (美国) 射频 (RF) 时间序列数据进行自动化乳腺癌 (BC) 病变分类. 这种ML方法在区分良性和恶性乳腺病变方面取得了很高的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 超声波 (美国) 射频 (RF) 时间序列显示乳腺癌 (BC) 查的前景.
- 基于美国的方法具有优势,因为它们不需要额外的设备.
研究的目的:
- 开发一种机器学习 (ML) 方法,使用美国射频时间序列数据自动对乳腺病变进行分类.
- 将病变分为良性,可能良性,可疑或恶性类型.
主要方法:
- 使用RFTSBU数据集分析了来自118名患者的220个数据点.
- 从手动选择的感兴趣区域 (ROI) 提取283个特征,使用纹理分析 (Gabor波器,GLCM,GLRLM,GLSZM,GLDM).
- 通过粒子群优化 (PSO) 来选择131个特征的特征,然后使用多源方法分类 (MOMC) 方法进行分类.
主要成果:
- 通过5倍的交叉验证实现了高准确率.
- 两类分类准确度:98.57%±1.09% (MOMC-SVM和MOMC-ensemble). 这是一个很好的方法.
- 三级分类准确性:91.53%±0.89%的分类准确性.
- 四个类别的分类准确度:83.71%±1.30%.
结论:
- 一种基于ML的创新方法有效地区分乳腺病变类型,使用in vivo美国射频时间序列数据.
- 该方法表现出高分类准确度,为BC查推进计算机辅助诊断 (CAD).
