用于胰腺肿块影像分类的谱机器学习
计算机视觉与模式识别
2021-05-04 v1 机器学习
摘要
我们提出一种新颖的谱机器学习（SML）方法，用于基于CT影像筛查胰腺肿块。我们的算法基于公共数据源，使用来自250名患者（50名胰腺正常者和200名胰腺异常发现者）约30,000张图像进行训练。在来自113名患者总计约15,000张图像的样本外诊断分类中，达到了94.6%的测试准确率，其中32名胰腺正常者中的26名以及全部81名胰腺异常发现者被正确诊断。SML能够在诊断分类中自动选择基础图像（每名患者平均5或9张）并达到上述准确率。在标准CPU运行环境的笔记本电脑上诊断113名患者所需计算时间为75秒。影响谱学习与机器学习良好集成高性能的因素包括：1）使用样本协方差矩阵若干最大特征值对应的特征向量（尖峰特征向量）在分类训练中选择输入属性，仅考虑原始图像的基础信息且噪声更少；2）基于均值水平谱检验去除无关像素，以降低存储容量挑战并提升计算效率，同时保持优越的分类准确率；3）采用最先进的机器学习分类方法，梯度提升与随机森林。我们的方法展示了AI时代胰腺肿块筛查中影像诊断的实用性与提升的准确率。
引用
@article{arxiv.2105.00728,
title = {Spectral Machine Learning for Pancreatic Mass Imaging Classification},
author = {Yiming Liu and Ying Chen and Guangming Pan and Weichung Wang and Wei-Chih Liao and Yee Liang Thian and Cheng E. Chee and Constantinos P. Anastassiades},
journal= {arXiv preprint arXiv:2105.00728},
year = {2021}
}
备注
17 pages, 3 figures