利用机器学习基于生物物理超声特征改进乳腺癌诊断
图像与视频处理
2022-07-15 v1 计算机视觉与模式识别
医学物理
摘要
提高超声乳腺检查的诊断准确性仍是一个重要目标。在本研究中,我们提出一种基于生物物理特征的机器学习方法用于乳腺癌检测,以将性能提升至超越基准深度学习算法,并进一步提供病灶内恶性概率的彩色叠加可视化地图。该整体框架被称为疾病特异性成像。此前,150 个乳腺病灶分别利用改进的完全卷积网络和改进的 GoogLeNet 进行分割和分类。在本研究中,在勾画出的病灶内进行了多参数分析。基于生物物理和形态学模型,从超声射频、包络和对数压缩数据中提取特征。带有高斯核的支持向量机构建了非线性超平面,我们计算了多参数空间中超平面与每个特征数据点的距离。该距离可定量评估病灶,并给出以颜色编码叠加到 B 超图像上的恶性概率。训练和评估在活体患者数据上进行。我们研究中最常见类型和大小的乳腺病灶的总体分类准确率超过 98.0%,受试者工作特征曲线下面积为 0.98,比放射科医生和深度学习系统的表现更精确。此外,概率与 BI-RADS 之间的相关性提供了预测乳腺癌的定量指南。因此,我们预期所提出的框架可帮助放射科医生实现更准确便捷的乳腺癌分类与检测。
引用
@article{arxiv.2207.06560,
title = {Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning},
author = {Jihye Baek and Avice M. O'Connell and Kevin J. Parker},
journal= {arXiv preprint arXiv:2207.06560},
year = {2022}
}