用于乳腺癌早期诊断的嵌入式深度正则化分块 HSIC 热成像组学
图像与视频处理
2021-06-07 v1 计算机视觉与模式识别
摘要
热成像已广泛用作乳腺癌检测中的补充诊断工具。在各类热成像方法中，矩阵分解（MF）技术对检测癌症病例中对应血管舒张的热模式具有明确能力。此类技术的一大挑战在于选择热基的最佳表示。本研究提出一种嵌入方法以解决该问题，并引入用于热成像的深度半非负矩阵分解（Deep-SemiNMF），随后在 208 例乳腺癌筛查病例上进行了测试。首先，我们对红外图像应用 Deep-SemiNMF 以提取每例的低秩热表示。接着，我们嵌入低秩基以获得每位患者的一个基。此后，我们提取 300 个热成像特征（称为 thermomics）以解码自动诊断模型的影像信息。我们通过使用 RBF 核将 thermomics 映射到 Hilbert 空间来降维，并利用分块 Hilbert-Schmidt 独立性准则 Lasso（block HSIC Lasso）选出三个最高效特征。所保留的热异质性利用随机森林模型成功分类了无症状与有症状患者（交叉验证准确率为 71.36% (69.42%-73.3%)）。
引用
@article{arxiv.2106.02106,
title = {Embedded Deep Regularized Block HSIC Thermomics for Early Diagnosis of Breast Cancer},
author = {Bardia Yousefi and Hossein Memarzadeh Sharifipour and Xavier P. V. Maldague},
journal= {arXiv preprint arXiv:2106.02106},
year = {2021}
}
备注
Authors version. arXiv admin note: text overlap with arXiv:2010.06784