基于深度学习特征的乳腺肿瘤分类模型评估
梁翠霞
李明强
边兆英
吕闻冰
曾栋
马建华
1.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 5105152.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 5105153.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 5105154.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 5105155.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 5105156.南方医科大学生物医学工程学院,广东 广州 510515;南方医科大学医学放射图像及检测技术重点实验室,广东 广州 510515
摘要：目的 本文结合深度学习特征(DF)和传统图像特征(HCF)特点,利用多分类器融合的方法 建立一个乳腺肿瘤分类模型,并深入评估和分析不同深度学习网络特征的肿瘤分类性能.方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影的全数字乳腺成像数据.首先从肿瘤区域提取23维HCF(12维形态及11维纹理特征),用t检验进行显著性特征选择;然后分别从3个卷积神经网络模型提取不同维度DF,在实验中,3个不同深度学习网络产生了相应DF,分别是AlexNet,VGG16和GoogLeNet;最后结合2个投影数据的DF和HCF,采用多分类器的融合模型对特征进行训练和测试,实验重点分析不同DF在肿瘤分类上的性能.结果 结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能;相比于其它网络框架,DFAlexNet和HCF的结合表现出更高精度的分类结果.结论 结合DF和HCF的特征方法建立一个分类模型,对于良恶性乳腺肿瘤具有优秀的鉴别能力,且泛化能力更强,能作为临床辅助诊断工具.
关键词：乳腺肿瘤全数字乳腺成像计算机辅助诊断深度学习放射组学
资助基金：国家自然科学基金(U1708261)国家自然科学基金(81701690)国家自然科学基金(61701217)国家自然科学基金(61571214)广东省自然科学基金(2015A030313271)广州市科技计划(CT201510010039)广东省科技计划(2015B020233008)广东省科技计划(2017B020229004)
论文发表日期：2019-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 88-92 )
英文信息