通过利用CT图像中的混合特征,使用机器学习技术对病变进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 癌导致全球死亡率,需要早期检测以改善结果.
• 计算机断层扫描 (CT) 对损伤评估至关重要,但人类的解释可能导致误诊.
• 精确的病变分类对于预防癌症进展和不必要的治疗至关重要.

研究的目的:

• 开发一种机器学习技术,使用基于纹理的特征提取来进行自动化病变分类.
• 加强计算机辅助诊断 (CAD) 系统,以精确解释损伤.
• 为了提高区分良性和恶性病变的准确性.

主要方法:

• 在CT扫描上采用多模型纹理分析,利用诸如第一阶统计 (FoS) 和空间灰色水平共发生矩阵 (SGLCM) 等特征.
• 开发了一种新的特征向量,使用缩小维度,基于关联的特征选择,信息获取和获取比率.
• 应用各种机器学习分类器,包括随机森林 (RF),以分类病变.

主要成果:

• 随机森林 (RF) 模型在区分良性瘤和恶性瘤方面表现出卓越的性能.
• 提出的基于纹理的特征向量显著提高了分类准确性.
• 该系统在50名受试者的数据集上实现了95.8%的高分类准确度.

结论:

• 开发的机器学习技术为自动化病变分类提供了一个有前途的工具.
• 精确的纹理分析和特征选择是改善脏成像诊断精度的关键.
• 这种方法可以帮助医生在治疗病变时做出更明智的决定.