混合放射性-HOG组合模型用于准确的肺结节诊断

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 无线电学 (Radiomics) 是一种放射学.

背景情况:

• 肺癌是全球癌症死亡的主要原因之一.
• 肺结节的早期和准确的分类对于患者的预后至关重要.
• 现有的方法可能无法充分利用各种成像特征进行最佳分类.

研究的目的:

• 开发和验证一个集体堆叠框架,以区分良性和恶性肺结节.
• 整合面向梯度 (HOG) 的直方图形与先进的放射性特征进行增强的分类.
• 为了提高肺结节分类的诊断性能,使用计算机断层扫描 (CT) 扫描.

主要方法:

• 使用LIDC-IDRI数据集,包括1018个胸部CT扫描和专家注释.
• 提取了包括HOG,纹理和形状描述符在内的补充功能集.
• 使用随机森林,物流回归和支持矢量机器作为基础学习者采用集体堆叠方法.
• 执行了超参数调整,类平衡训练和5倍交叉验证.

主要成果:

• 拟议的整体框架实现了93.26%的准确性,90.76%的灵敏度和97.96%的AUC-ROC.
• 超过了基于特征的单个模型和几个最先进的方法.
• 特征重要性分析强调了形态描述符的意义和基于梯度的特征的附加值.

结论:

• 将各种成像生物标志物整合到一个整体框架内,可以显著提高肺结节分类性能.
• 开发的框架显示了改善早期肺癌诊断的希望.
• 未来的方向包括多模式成像集成和半监督学习,以改善概括.