一个有效的流程图为多式脑瘤二元分类与排名的3D纹理功能功能

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 脑瘤的分类是复杂的,因为形状,密度和大小的变化.
• 经典的2D纹理特征在脑瘤分析中提供了有限的准确性.
• 3D磁共振成像 (MRI) 为瘤特征提供了更丰富的数据.

研究的目的:

• 开发和评估一个新的3D特征提取和排名框架,用于准确的脑瘤分类.
• 为了比较各种特征集和排名方法在区分高等级和低等级质瘤的性能.
• 评估机器学习分类器的有效性,包括支持矢量机 (SVM),用于脑瘤诊断.

主要方法:

• 利用来自2017年BraTS数据集的3DMRI数据进行高等级和低等级质瘤分类.
• 从FLAIR,T1,T1-对比度增强 (T1c) 和T2MRI相中提取3D纹理特征,使用3D灰色水平共发生矩阵.
• 应用特征排名方法 (Bhattacharyya,,ROC,t-test,Wilcoxon) 和使用梯度增强,SVM和随机森林算法对特征进行分类.
• 通过交叉验证 (2倍,5倍,10倍) 使用灵敏度,特异性,准确性,精度和F-score来评估性能.

主要成果:

• 所有四个MRI阶段 (FLAIR+T1+T1c+T2) 与特征排名方法和双重交叉验证的组合产生了最有效的分类方案.
• 拟议的机器学习框架实现了高性能指标:100%的灵敏度,97.29%的特异性,99.30%的准确性,99.07%的精度和99.53%的F-分数用于使用SVM进行质瘤分类.
• 三维特征提取方法显著超过了传统的二维方法.

结论:

• 三维特征提取和排名方法克服了用于脑瘤分类的二维纹理分析的局限性.
• 开发的基于机器学习的框架为质瘤分级提供了一个强大的,高度准确的系统.
• 这种新的方法证明了与现有的最先进的脑瘤分类方法相比,具有竞争力的性能.