使用预训练的卷积神经网络和B模式超声图像上的随机森林分类器对非酒精性脂肪肝等级的分类

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的机器学习
• 肝病学 肝病学是一种肝病学.

背景情况:

• 非酒精性脂肪性肝病 (NAFLD) 是一种普遍存在的疾病,对健康有重大影响.
• 早期发现和准确分类NAFLD对于有效的管理和治疗至关重要.
• 当前的诊断方法在可访问性和专业知识方面可能存在局限性.

研究的目的:

• 开发一个先进的混合机器学习模型来分类NAFLD等级.
• 使用超声波图像进行非侵入性NAFLD评估.
• 为了提高NAFLD诊断的准确性和效率.

主要方法:

• 分析了55名肥胖个体的超声波图像,肝脏活检结果作为基本真相.
• 使用预训练的卷积神经网络 (CNN) 模型 (例如,EfficientNet-B7) 提取特征,并使用mRMR方法进行细化.
• 包括随机森林 (RF) 在内的分类器被用来分类NAFLD等级 (健康,低,中等,高脂肪).

主要成果:

• 混合模型结合了EfficientNet-B7用于特征提取和RF用于分类的混合模型,实现了最高的精度.
• 拟议的自动模型显示了NAFLD等级的96.83%的显著分类准确性.
• 使用EfficientNet-B7的特定分类器准确度:LDA (88.48%),MLP (93.15%),SVM (95.47%),RF (96.83%). 这两种分类器都具有非常高的准确度.

结论:

• 使用EfficientNet-B7和Random Forest的自动分类模型在分类NAFLD方面显示出高效率.
• 这种方法可以显著改善NAFLD诊断,特别是在资源有限的环境中.
• 该研究强调了先进机器学习在肝病管理中的潜力.