基于综合 Nakagami 成像与机器学习框架的乳腺肿块超声分类
信号处理
2021-06-22 v2
摘要
在本研究中，我们探讨了利用 Nakagami 分布由超声 B 超扫描形成的参数图像对乳腺病变进行无创分类的潜力。通过滑动窗口技术，我们使用 Nakagami 分布的基本及派生参数，从数据集中每位患者的扫描生成七类参数图像。为确定最适合图像生成的窗口尺寸，我们使用三种窗口进行了实证分析，并为研究选出了最佳者。对每位患者形成的参数图像，我们共提取了 72 个特征。进行了特征选择以找出最佳分类性能的最优特征子集。将所选特征子集与支持向量机（SVM）分类器结合，并调优决策阈值，我们获得了 93.08% 的最大分类准确率、0.9712 的 ROC 曲线下面积（AUC）、0% 的假阴性率，以及 8.65% 的极低假阳性率。我们的结果表明，此类过程的高准确率可辅助乳腺癌相关的诊断流程，并有助于减少假阳性诊断。
引用
@article{arxiv.2106.07048,
title = {Ultrasound Classification of Breast Masses Using a Comprehensive Nakagami Imaging and Machine Learning Framework},
author = {Ahmad Chowdhury and Rezwana R. Razzaque and Ahmad Shafiullah and Sabiq Muhtadi and Brian S. Garra and S. Kaisar Alam},
journal= {arXiv preprint arXiv:2106.07048},
year = {2021}
}
备注
25 pages, 12 figures