基于动态热像的早期乳腺癌检测,使用多变量时间序列
María-Angélica Espejel-Rivera1, Carina Toxqui-Quitl1, Alfonso Padilla-Vivanco1
1Computer Vision Laboratory, Universidad Politécnica de Tulancingo, Hidalgo 43629, Mexico.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
本研究介绍了一种使用动态红外热学 (DIT) 进行早期乳腺癌检测的计算方法. 机器学习模型达到高达94%的准确性,显示DIT.
科学领域:
- 计算机成像成像技术
- 生物医学工程 生物医学工程
- 在瘤学瘤学.
背景情况:
- 早期发现乳腺癌仍然是妇女健康的关键挑战.
- 需要使用非侵入性查方法来改善患者的治疗结果,并降低医疗保健成本.
- 动态红外热学 (DIT) 为评估乳腺组织生理学提供了潜在的非接触方法.
研究的目的:
- 开发和评估使用动态红外热学 (DIT) 早期发现乳腺癌的计算方法.
- 研究动态热反应与瘤特征 (如血管生成和代谢活动) 之间的相关性.
- 评估机器学习模型在从DIT数据分类乳腺癌方面的有效性.
主要方法:
- 在20个时间点在寒冷压力条件下获取了温度图.
- 从热点中提取了多变量时间序列特征 (温度,异质性,热量流,深度).
- 特征估计使用了Pennes生物热方程的逆解,然后通过时间序列森林 (TSF) 和长短期记忆 (LSTM) 网络进行分类.
主要成果:
- 时间序列森林 (TSF) 模型在乳腺癌分类中实现了86%的准确性.
- 长短期记忆 (LSTM) 网络表现出卓越的性能,达到94%的准确性.
- 动态热模式有效地反映了潜在的瘤血管生成和代谢活动.
结论:
- 多变量热图序列,生物物理建模和机器学习的结合显示出非侵入性乳腺癌查的巨大潜力.
- 通过计算分析的DIT可以为早期检测提供对瘤生理学的宝贵见解.
- 通过LSTM模型实现的高精度凸显了其适用于分析瘤学中复杂的动态热数据的适用性.
