Постоянная ссылка (СИД2) |
J2187404X57 |
Название |
Integrating quantitative and convolutional features to enhance the efficiency of pathology classification in CT imaging |
Автор |
Shariaty F. |
Автор |
Caiqin H. |
Автор |
Pavlov V. A. |
Автор |
Duan L. |
Автор |
Zavjalov S. V. |
Автор |
Pervunina T. M. |
Автор |
Ying W. |
Источник |
Информатика, телекоммуникации и управление. Электронный журнал |
Страницы/Объём |
60-69 |
Сокращ. назв. источника |
Информат., телекоммуникации и упр. Электрон. ж. |
Год |
2023 |
Том |
16 |
Номер |
4 |
Адрес в Интернет |
http://elibrary.ru/item.asp?id=59553582 |
Постоянная ссылка (СИД) |
J2187404X |
Ключевые слова (авторские) |
генетические данные%глубокое обучение%компьютерная томография%машинное обучение%радиомика |
Место хранения |
Удаленный доступ. Эл. регистр. НЭБ |
Дата регистрации в ВИНИТИ |
22.01.2024 |
Язык текста |
английский |
Язык резюме |
русский |
Аннотация |
В работе предложен подход, сочетающий в себе признаки радиомики и глубокого обучения для повышения точности классификации изображений, полученных с помощью компьютерной томографии (КТ) легких. Для извлечения сверточных признаков из КТ-изображений была использована глубокая сверточная нейронная сеть ResNet18. Радиомические признаки, описывающие текстуру, форму и интенсивность, были объединены с этими сверточными признаками для улучшения признакового описания набора данных КТ изображений легких. С помощью метода главных компонент (МГК) и методов отбора признаков был получен наиболее информативный набор, состоящий из 250 признаков. Для классификации применялись модели машинного обучения, включая Случайный лес и Метод опорных векторов (МОВ). Классификатор МОВ показал лучшие результаты, достигнув точности классификации 0,97. Добавление генетических данных позволило улучшить точность классификации. Исследование подчеркивает важность объединения передовых вычислительных методик и методологий обработки данных для решения задач классификации изображений |
Тематический раздел |
Биология |