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。
-
单位生物医学工程学院; 南方医科大学