用于肺癌分类器的放射组学特征选择
图像与视频处理
2020-03-17 v1 计算机视觉与模式识别
摘要
集成定量影像特征的机器学习方法近来在肺结节分类中备受关注。然而，文献中有关用于分类目的的有效特征排序方法的研究匮乏。此外，分类任务所需的最优特征数量也需评估。在本研究中，我们考察了有监督与无监督特征选择技术对计算机断层扫描(CT)图像中结节分类机器学习方法的影响。该研究探讨了当使用来自有监督与无监督排序方法的 2、4、8、12、16 和 20 个高排名特征训练时，朴素贝叶斯与支持向量机(SVM)的分类性能。最佳分类结果由使用从有监督特征排序方法选出的 8 个放射组学特征训练的 SVM 取得，准确率为 100%。研究进一步揭示，通过使用较少放射组学特征训练 SVM 或朴素贝叶斯中的任一模型，均可实现非常好的结节分类。无论使用有监督还是无监督排序方法选择，放射组学特征数量从 2 到 20 的周期性增加均未改善分类结果。
引用
@article{arxiv.2003.07098,
title = {Radiomic feature selection for lung cancer classifiers},
author = {Hina Shakir and Haroon Rasheed and Tariq Mairaj Rasool Khan},
journal= {arXiv preprint arXiv:2003.07098},
year = {2020}
}