基于集成机器学习方法的肾脏异常CT扫描图像的自适应局部二值模式
计算机视觉与模式识别
2024-04-26 v2
摘要
肾脏病灶的自动检测需求日益增长，这源于肾科医生短缺以及肾功能衰竭的日益增长的公共健康关注。肾功能衰竭表现为肾功能逐渐下降，可由囊肿、结石和肿瘤等因素引起。慢性肾病可能一开始不被察觉，导致患者在疾病发展到晚期时才得以治疗。该数据集来自达卡多家医院的12,427张图像，分为囊肿、肿瘤、结石和正常四个类别。我们的方法旨在使用裁剪、调整大小和 CALHE 技术提高CT扫描图像质量，随后使用我们提出的自适应局部二值模式(A-LBP)特征提取方法进行特征提取，与最先进的局部二值模式(LBP)方法进行比较。我们将提取的特征输入到诸如随机森林、决策树、朴素贝叶斯、K近邻和支持向量机等分类器中。我们探索了使用软投票方法构建的集成模型，以获得更稳健的模型。我们使用我们的特征描述符和集成五个分类器(随机森林、决策树、朴素贝叶斯、K近邻、支持向量机)通过软投票方法，获得了超过99%的准确率。
引用
@article{arxiv.2404.14560,
title = {Adaptive Local Binary Pattern: A Novel Feature Descriptor for Enhanced Analysis of Kidney Abnormalities in CT Scan Images using ensemble based Machine Learning Approach},
author = {Tahmim Hossain and Faisal Sayed and Solehin Islam},
journal= {arXiv preprint arXiv:2404.14560},
year = {2024}
}
备注
17 pages, 5 tables, 4 figures