乳房扫描中的细分技术:它们在乳腺癌诊断中的价值

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 生物医学工程 生物医学工程

背景情况:

• 计算机辅助诊断 (CAD) 对于准确和早期发现乳腺癌至关重要.
• 图像细分是CAD的一个关键步骤,影响特征提取和分类结果.
• 现有的文献缺乏对细分方法对特征矩阵和性能标准的影响的全面比较.

研究的目的:

• 研究各种图像细分技术对乳腺癌检测的乳腺镜像的影响.
• 用不同的评估指标来比较不同细分算法的性能.
• 分析细分选择如何影响特征提取和随后在CAD系统中的分类.

主要方法:

• 哺乳镜图像经过预处理,包括中位过,对比限度自适应基因图平衡 (CLAHE) 和不清晰的掩盖.
• 使用纹理分析从感兴趣的区域 (ROI) 提取了纹理特征.
• 使用弹性网络技术进行了特征减少.
• 通过使用支持矢量机 (SVM) 和随机森林 (RF) 分类器的准确度,灵敏度和特异性指标评估了五种细分算法.

主要成果:

• 与其他评估方法相比,k-means细分算法表现出卓越的性能.
• 用SVM实现了高精度 (1.00),用射频分类器实现了高精度 (0.989).
• 细分方法的选择对乳腺癌检测CAD系统的分类结果产生重大影响.

结论:

• 图像细分方法显然影响了乳腺癌计算机辅助诊断中的分类结果.
• 在k-means算法显示显著的承诺,以提高CAD系统的有效性.
• 这些发现强调了选择适当的细分技术对于乳腺癌查中强大的患者分类的重要性.