基于特征的乳腺 X 线图像分类:加权特征支持向量机
磁共振成像(MRI)是诊断和分期前列腺癌的关键工具,但也产生了大量数据,必须由经过训练的专家评估,这是一项耗时且繁琐的任务。因此,已经开发了基于多种 MRI 模态(T2W、ADC 和高 b 值 DWI)的前列腺癌(PCa)风险分类自动化的机器学习工具。然而,理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林(RF)和支持向量机(SVM)在两个互补数据集上的表现,即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集,以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分,我们发现许多通常使用的特征之间存在强相关性,并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征,这可能有助于开发可解释的 AI 方法。
Jun, 2024
本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性,并测量了它们的灵敏度和特异性。实验结果表明,所有的算法都表现良好,并超过了 90% 的测试准确率,其中 MLP 算法表现最佳,测试准确率高达 99.04%。
Nov, 2017
我们提出了一种基于加权支持向量机的稀疏学习方法,结合了自动变量选择和准确的概率估计,既能有效地进行变量选择,又能可靠地估计概率。这种方法在自动变量选择和可靠概率估计方面具有巨大优势,并且适用于高维问题。
Dec, 2023
本文提出了一种计算机辅助自动乳房 X 线摄影分析系统,其中包含三个连续的图像处理、特征选择和图像分类阶段,可以有效分类正常或癌症,实验证明该系统可以提高分类性能。
Dec, 2020
本文探讨了在支持向量机和局部二值模式的基础上,如何在医学图像处理中将不相关区域的影响减少,以实现更高效的分类,优化了现有算法的表现。
Sep, 2015
本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法,该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合,有效捕捉隐藏的图像特征,实现不同肿瘤类型的区分和准确的标签预测,并能够估计图像属于每个类别的概率,从而提供高置信度的分类决策。通过将 SIBOW-SVM 应用于包含四个类别的脑肿瘤 MRI 图像的公共数据集,结果表明该方法优于包括 CNN 在内的最先进方法。
Nov, 2023
提出了两种创新的双层加权投票集成模型,旨在提高加权集成方法的效果,通过选择概率最高的分类结果(第一种方法)和最高加权预测(第二种方法)来确定最优结果。这些方法显著提高了加权集成技术的整体性能,并通过与软投票技术的对比分析证明了其优越性和有效性。
Mar, 2024
针对高维、小样本的表格型生物医学数据,我们提出了一种 Weight Predictor Network with Feature Selection(WPFS)神经网络。该网络通过特征选择和参数减少来学习高维、小样本数据,具有较好的性能,并提供了有用的学习洞察。
Nov, 2022
基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域,通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量,训练两个分别用于健康和肿瘤组织的核字典,并通过基于相关性的样本选择技术,选择了最具信息和辨别力的特征向量子集,进而利用线性分类器根据学到的字典对健康和不健康像素进行区分,实验证明该方法在分割精度上优于其他现有方法,并显著减少了训练所需的时间和内存,从而实现了极快的训练过程。
Oct, 2023
自动提前检测乳腺癌的方法可以显著降低死亡率,但由于太多的限制条件,这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究,在现实临床环境中应用了两级多实例学习方法,通过弱监督学习在病例级别进行乳腺癌预测,为所有患者提高预测准确性,尤其需要关注无监督 ROI 提取的研究。
Oct, 2023