Fusion-Based乳腺超声图像分类方法使用Multiple-ROI材质和形态分析

文摘

超声波成像通常用于乳腺癌的诊断,但准确的乳房超声检查(总线)图像的解释往往具有挑战性和operator-dependent。计算机辅助诊断(CAD)系统可以用来提供第二个意见的放射科医生提高诊断准确性。在这项研究中,一个新的CAD系统开发,使准确的汽车图像分类。特别是,介绍了一种改进的纹理分析,肿瘤分为一组感兴趣的不重叠的区域(roi)。每个的ROI分析使用灰度同现矩阵特征和支持向量机分类器来估计其肿瘤类指标。所有roi的肿瘤类指标结合使用投票机制估计肿瘤类。此外,采用形态分析对肿瘤进行分类。使用概率方法融合的分类结果multiple-ROI纹理分析和形态分析。该方法应用于分类110公共汽车图片,包括64良性和恶性肿瘤。的准确性、特异性和灵敏度获得使用该方法是98.2%,98.4%,和97.8%,分别。 These results demonstrate that the proposed approach can effectively be used to differentiate benign and malignant tumors.

1。介绍

乳腺癌是女性最常见的癌症,在世界范围内,女性死亡的主要原因之一,在全球范围内(1]。世界卫生组织(WHO)的统计数据显示,2012年,167万例新病例被诊断出患有乳腺癌,约有522000名妇女死于这种疾病1]。乳腺癌的早期诊断是至关重要的成功治疗疾病和改善患者的生存率2]。

超声成像是一种使用最广泛的成像方式对乳腺癌的诊断,因为它提供了低成本的优势,可移植性,病人舒适,诊断的准确性(3,4]。然而,乳房超声检查(总线)图像的解释是operator-dependent和变化基于放射科医生的经验和技巧5]。为了克服这个限制,介绍了计算机辅助诊断(CAD)系统分析汽车图片和放射科医生提供第二个意见提高诊断精度和减少运营商依赖的影响5,6]。

许多研究,如(7- - - - - -15),采用总线乳腺肿瘤分类的图像分析。特别是,形态学特征(13,16,17和纹理特征8,12)演示了用于区分良性和恶性肿瘤。此外,结合这两个功能组已经建议提高肿瘤分类精度(13,18]。肿瘤形态学特征量化的几何特征,如面积、形状、取向、规律性,和利润(6,19]。因此,形态学特征主要受到肿瘤轮廓的准确性的影响。常用的形态特征描述符包括长宽比(13,17肿瘤的最佳椭圆),归一化径向长度(海军)[18,20.),和波动特征21]。

对纹理特征量化像素灰度统计的强度和空间分布(6]。一般来说,纹理模式的良性肿瘤与恶性肿瘤的不同(10]。因此,几个纹理描述符用于总线分类图片(22- - - - - -26]。在这些描述符中,灰度同现矩阵应用灰度共生矩阵建立()(27)是一种使用最广泛的纹理分析技术对汽车图像分类(12]。传统纹理分析通常使用一个感兴趣的区域(ROI)提取全局纹理特性,量化整个肿瘤的纹理特征。最常见的一种ROI的选择过程是找到的最小边界矩形包含肿瘤(9,12,22]。另一个ROI选择方法是找到适合的最大矩形内肿瘤(28]。roi可以由放射科医生手动或使用计算机自动检测算法。

在许多公共汽车图像,肿瘤内的局部纹理模式的变化从一个地区到另一个地方。因此,使用一个单一的ROI,使全球的提取纹理特征量化整个肿瘤,可能不支持有效的量化在肿瘤局部纹理变化。此外,预定义的结构之间的不匹配的ROI和实际形状的肿瘤可能减少肿瘤的分类精度。例如,考虑图中所示的良性和恶性肿瘤1(一)和1 (b),分别。每个肿瘤中的纹理模式展示当地的变化。为肿瘤,相对应的roi的最小边界矩形包含肿瘤给出数据1 (c)和1 (d)。roi都可能不提供有效的提取纹理特征,可以有效地量化肿瘤内的局部纹理变化。此外,每个肿瘤的ROI超出肿瘤边界,因此预计从这样的ROI提取的纹理特征量化肿瘤和周围的健康组织。这些限制可能会导致不精确的纹理分析的肿瘤,进而可以减少肿瘤的分类精度。

提高肿瘤超声纹理分析的分类能力,本研究调查了使用多个roi分析当地的肿瘤内的像素灰度统计信息。特别是,肿瘤分为一组不重叠的roi如图1 (e)和1 (f)。每个ROI分析分别提取局部纹理特征。在这项研究中使用的纹理特征计算应用灰度共生矩阵建立使用矩阵。本地肿瘤类指标估计为每个单独的ROI的纹理特征进行分类,ROI使用训练有素的分类器。肿瘤的类可以确定multiple-ROI基于纹理分析采用多数表决机制整合当地肿瘤类指标的roi内肿瘤。拟议中的multiple-ROI纹理分析方法使肿瘤内部的局部纹理模式的有效量化没有将纹理模式的肿瘤周围的正常组织。

应用提出的一个挑战multiple-ROI纹理分析方法是使有效结合当地的纹理特征,对每一个提取肿瘤内的多个roi,形态学特征,计算整个肿瘤。因此,一种新的概率方法提出了融合获得的肿瘤分类指标使用multiple-ROI纹理分析与肿瘤分类指标计算使用整个肿瘤的形态分析。本文使用的形态分析是基于形态学特征的介绍在先前的研究13,17,18,20.,21,29日)量化肿瘤的形状和轮廓。

评估性能提出了总线的图像分类方法,multiple-ROI纹理分析和fusion-based结合multiple-ROI纹理分析和形态分析是用来分类公共汽车图像数据库,其中包括64良性肿瘤和恶性肿瘤。这些公共汽车图像中获得超声乳腺癌筛查程序。肿瘤分类建议的方法的结果与传统的纹理(单ROI)相比,形态,结构和形态分析相结合。

本文的其余部分组织如下。总线的数据采集图像数据库中总结部分2。此外,部分2描述了传统的总线结构和形态分析图像,提出了肿瘤的分类方法,采用比较传统的性能指标,提出汽车图像分类方法。提供了实验结果和讨论部分3。最后,结论部分给出了4。

2。材料和方法

2.1。数据采集

收集到的图像数据库包含110总线的图像病理证实的良性和恶性肿瘤(46 64良性肿瘤和恶性肿瘤)。良性和恶性肿瘤的类型的详细描述在表提供参与这项研究1。每个总线的图像从一个病人(即收购。,the number of patients which participated in the study is 110). All participated patients were females. Moreover, each image included exactly one breast tumor. The age of the patients ranged from 25 to 77 years. The mean and standard deviation of the maximum diameters of the tumors are 14.7 mm and 6.0 mm, respectively. The BUS images were acquired during routine ultrasound breast cancer screening procedures at the Jordan University Hospital, Amman, Jordan, during the period between May 2012 and February 2016. Ultrasound imaging was performed using an Acuson S2000 ultrasound system (Siemens AG, Munich, Germany) and a 14L5 linear transducer with frequency bandwidth from 5 to 14 MHz. During imaging, the radiologist was free to adjust the configurations of the imaging system, including the focal length, depth, and gain to obtain the best view. For each BUS image, the tumor was manually outlined by a radiologist with more than 13 years of experience. The tumor outlines were also verified by another independent experienced radiologist. All images were resampled to the same resolution of 0.1 mm × 0.1 mm per pixel. The study protocol was approved by the ethics committee at the Jordan University Hospital. Moreover, informed consent to the protocol was obtained from each patient.

2.2。定量的特性

纹理和形态学特征用于分类良性和恶性乳腺肿瘤。以下两部分描述功能组。

2.2.1。纹理特征

在这项研究中使用的纹理特征是应用灰度共生矩阵建立计算使用矩阵(27),衡量ROI内相邻像素之间的相关性。应用灰度共生矩阵建立的矩阵的计算是使用四个距离(执行= 1,2,3,4像素)和四个不同的方向(= 0°、45°、90°、135°)。因此,应用灰度共生矩阵建立16个矩阵计算为每个ROI。应用灰度共生矩阵建立每个矩阵进行了分析,如[12二十纹理特征的提取,(TF1-TF20)通常用于超声纹理分析(12,32]。这些纹理特性提供了表2。因此,总共有320从每个ROI提取纹理特征。

2.2.2。形态学特征

在这项研究中,十八岁从每个肿瘤形态学特征被提取。在这些特性中,十个特征可以从肿瘤中直接提取(MF1-MF10)。六个形态学特征提取的最佳椭圆近似于肿瘤的大小和位置(MF11-MF16)。最后两个形态学特征熵(MF17)和方差(MF18)归一化径向长度(海军)的肿瘤18,20.]。海军研究实验室被定义为肿瘤中心和像素之间的距离位于肿瘤边界规范化肿瘤的最大径向长度(18]。总结了十八个形态学特征表2。

2.3。传统的肿瘤分类

110总线的图像进行了分析使用传统的肿瘤分类分析,如图2。特别是,应用灰度共生矩阵建立的纹理特性,部分中描述2.2。1从一个ROI提取。在介绍中提到的,此ROI对应的最小边界矩形包含肿瘤。形态学特征,总结部分2.2。2从介绍肿瘤中提取。

特征选择,消除了不相关和冗余特性,应用于确定最佳纹理的子集,形态,结合纹理和形态学特性,减少恶性和良性肿瘤之间的误分类错误。事实上,详尽的搜索最优特征组合需要大量的计算资源和较长的处理时间,特别是当特征的数量很大。例如,所有可能组合的总数特性进等于子集(33]。因此,两阶段启发式方法,基于特征选择过程中描述(12,34),是用来进行特征选择。在第一阶段,特点是排名根据minimal-redundancy-maximal-relevance (mRMR)标准34),基于互信息。顶部l排名功能逐渐的分组和分类性能评估,在那里是功能的总数。最小的功能组,可以达到的最小分类误差作为候选特征子集。在第二个阶段,落后的特征子集选择算法应用于候选人。在该算法中,顺序特性消除直到进一步的去除特性导致降低分类精度。这两阶段算法使一个紧凑的特征子集的选择,可以实现有效的肿瘤分类。

选中的功能是使用二进制分类支持向量机分类器(35)实现使用LIBSVM库(36]。二进制支持向量机的输入特性映射到一个高维特征空间通过应用一个内核函数。这种映射使计算的非线性判决函数特征空间划分为两个区域,一个为每个类。具体来说,训练集,在那里代表了kth特征向量和是相应的肿瘤类。支持向量机的目标是确定一个决策边界超平面的形式,可以通过最大化特征空间划分为两个区域之间的差距不同类别的样本。结果决策函数定义如下: 在哪里是一个新的特征向量分为良性或恶性,是一个内核函数将输入向量映射到高维空间,是k拉格朗日乘子,和超平面的偏差项决定。几个可以使用支持向量机核函数。然而,高斯径向基函数(RBF)是迄今为止最常用的核函数对分类任务(37]。在这部作品中,采用RBF内核。RBF核函数可以定义如下: 在哪里> 0是RBF内核参数。

RBF核函数的支持向量机分类器的性能取决于两个参数:、RBF内核参数正则化参数。两个参数的优化进行了使用基于网格的二维参数空间的搜索和。执行搜索步长为1。选择最好的支持向量机模型,其参数最大化平均肿瘤分类精度。

传统的绩效评估肿瘤分类是使用单一执行应用灰度共生矩阵建立ROI纹理特性,形态学特征,结合单ROI纹理特征和形态特征。类似于吴的工作等。13),使用5倍交叉验证过程进行评估。在这个过程中,80%的肿瘤选择培训和剩下的20%用于测试。这个过程重复5次,这样每个110总线的图像包含一次的测试。

2.4。该肿瘤分类的方法

的体系结构提出了肿瘤分类方法如图3。在此体系结构中,multiple-ROI纹理分析是由肿瘤划分成小,不重叠的ROI,从每个ROI提取局部纹理特征。此外,肿瘤形态特征的提取进行了分析。结合个人的局部纹理特征roi和全球形态学特征,两个独立分开后肿瘤类可能获得multiple-ROI纹理分析和形态分析。此外,决策融合应用于引信肿瘤类可能和确定肿瘤的类。

执行multiple-ROI纹理分析,肿瘤分为一组统一的,不重叠的roi,如图1 (e)和1 (f)。ROI估计的大小通过考虑三个因素:保留区分各种纹理模式的能力,减少的可能性,包括不同的局部纹理在相同的投资回报率,并确保整个肿瘤充分覆盖的ROI。这项研究由Valckx和Thijssen [38)建议使用非常小的roi可能降低区分各种纹理模式的能力。另一方面,使用ROI大幅上涨的可能性,包括不同的局部纹理模式在一个ROI。此外,大型roi的使用可能会导致巨大的差距:也就是说,roi覆盖不到的部位,肿瘤边界。例如,考虑数据4(一),4 (c),4 (e)显示图的良性肿瘤1(一)分为统一roi 0.5×0.5毫米大小²1×1毫米²和2×2毫米²,分别。此外,考虑到数据4 (b),4 (d),4 (f)显示数字的恶性肿瘤1 (b)分成大小0.5×0.5毫米的roi²1×1毫米²和2×2毫米²,分别。使用0.5×0.5毫米²ROI最小化的可能性,包括不同的局部纹理在一个ROI的差距,减少肿瘤的边界。然而,roi的体积小,对应5×5像素,可能会限制纹理分析的能力来区分不同的结构模式。另一方面,使用2×2毫米²ROI,对应于20×20像素,使更好的纹理分类但增加的可能性包括不同的局部纹理在相同的ROI和生产大型肿瘤边界缺口。1×1毫米²ROI,对应于10×10像素,提供一个合理的平衡需要使用合理规模的ROI,使有效的纹理分析和需求减少跨越不同的局部纹理的可能性在一个ROI和实现足够的覆盖整个肿瘤。因此,在这项研究中使用的roi的大小设置为1×1毫米²。

应用灰度共生矩阵建立单独处理每个ROI提取纹理特征描述的部分2.2。1。两阶段部分中描述的特征选择算法2。3被用来确定纹理特性的子集,使最好的肿瘤分类精度基于multiple-ROI纹理分析。二进制与RBF核函数支持向量机分类器是用于分类每个ROI良性或恶性使用选定的纹理特性的子集。支持向量机参数的优化是通过使用基于网格搜索中描述的部分2。3。后肿瘤类的每个ROI估计可能性使用普拉特的方法(SVM输出39]。然后,多数投票机制用于确定肿瘤的类基于个人的分类指标roi。特别是,如果超过50%的roi的肿瘤被归类为恶性,则被认为是恶性肿瘤。否则,肿瘤被认为是良性的。计算后肿瘤的可能性是由平均后肿瘤类可能同意的roi类肿瘤的估计使用multiple-ROI纹理分析。

进行形态学分析、形态学特征的提取和选择,以及优化的支持向量机分类器与传统morphological-based部分中描述的分类2。3。此外,调整支持向量机用于分类肿瘤根据选定的形态学特征和普拉特的方法应用于计算后肿瘤类整个肿瘤的可能性。

对于一个给定的公交形象,后肿瘤类可能性获得使用multiple-ROI纹理分析是相互独立的从后肿瘤类可能性估计使用形态分析。因此,肿瘤类的融合决策获得使用这些两个独立的分析可以执行使用高斯摘要方法(40]。

应用高斯摘要方法,考虑连续决策的一个向量获得不同分类器为一个特定的总线的形象。公共汽车图像属于类的概率给定的决定不同的分类器可以写成 二进制分类中,被认为是在这项研究中,和。使用两个分类器之间的相互独立的假设,(3)可以写成 这个词是一个归一化的因素。因此,总线可分为基于图像的联合决策使用以下决策规则分类器: 在哪里被认为是一种多元正态分布与平均向量和协方差矩阵。类的先验概率和参数使用最大似然估计(41]。

提出的绩效评估肿瘤分类的方法是使用两个不同的配置。在第一个配置中,肿瘤分类使用multiple-ROI纹理分析。在第二个配置中,肿瘤分类进行融合的后肿瘤类可能multiple-ROI纹理分析和形态分析。在这两种配置,5倍交叉验证部分中描述的过程2。3是就业。值得注意的是,roi的选择在五倍SVM的训练和测试multiple-ROI纹理分析是肿瘤特异性。换句话说,在每个折交叉验证的过程,培训执行使用roi,属于80%的肿瘤,而测试剩下的roi进行肿瘤的20%。

2.5。绩效评估

六个客观指标,即准确性、特异性、敏感性,阴性预测值(NPV),阳性预测值(PPV)和马修的相关系数(MCC) [6),用于评估传统的肿瘤分类的性能以及提出肿瘤分类。这些指标定义如下: TP是真阳性病例的数量,TN是真阴性的数量情况下,FP是假阳性的数量情况下,和FN假阴性病例的数量。

特异性和敏感性之间的关系,通过使用传统的和提出的分类方法,分析了通过接受者操作特征(ROC)曲线。此外,ROC曲线下的面积(AUC),量化CAD系统的总体性能,计算每个分类的方法。

确认的有效性提出fusion-based方法,配对测试进行了平均分类精度比较融合multiple-ROI质感和形态分析与其他四个分类方法。

执行时间的传统结构,形态和组合结构和形态分析与提出multiple-ROI纹理分析和融合multiple-ROI材质和形态分析。压缩是由使用MATLAB实现五个方法(美国马萨诸塞州MathWorks公司,纳蒂克)和执行他们在计算机工作站上有一个3.5 GHz处理器和16 GB的内存和运行Ubuntu Linux操作系统。每一个五分类方法,提取特征和分类所需的总时间公共汽车图像记录了二十试验。

3所示。结果与讨论

支持向量机参数的优化值()用来进行肿瘤分类使用传统的纹理特性、形态特征,并结合纹理和形态学特征等于(56),(50)和(50)。此外,的调谐值()用来进行肿瘤分类使用提出multiple-ROI纹理分析等于(55)。开展fusion-based肿瘤分类、multiple-ROI纹理分析和形态分析(即使用他们的执行优化支持向量机参数。参数(55)用于multiple-ROI纹理分析和(50)是用于形态分析)。

特征选择执行提出multiple-ROI纹理分析,,,,,,,,,,,,,,第一个下标是距离,d第二个是定向角,θ。拟议中的fusion-based肿瘤分类进行使用上述multiple-ROI纹理特性以及所选子集的形态学特征。这些形态学特征是MF1, MF2, MF3 MF4, MF5, MF6, MF7, MF8, MF13 MF14, MF18。

结果通过该肿瘤分类方法使用multiple-ROI纹理分析以及融合multiple-ROI质感和形态分析如表所示3对病理结果。两种配置的建议的方法实现良性和恶性乳腺肿瘤的有效分类。然而,multiple-ROI纹理分析和形态分析的融合使更高的分类性能比单独使用multiple-ROI纹理分析获得。

六个目标性能指标获得该分类方法和传统分类方法提出了在桌子上4。传统的分类方法相结合实现更好的性能比通过只使用纹理和形态学特征纹理特性或形态学特征。这一发现同意先前的研究报告的结果(13,14]。此外,分类结果表明,该方法使用multiple-ROI纹理分析优于常规使用纹理分类,形态,结合纹理和形态学特征。特别是,multiple-ROI纹理分析实现了分类精度为95.5%,特异性为93.8%,敏感性为97.8%,PPV为91.8%,净现值的98.4%,MCC的90.9%。最优分类性能是通过该方法使用融合multiple-ROI纹理分析和形态分析。具体来说,multiple-ROI材质和形态分析的融合使分类精度为98.2%,特异性为98.4%,敏感性为97.8%,PPV为97.8%,净现值的98.4%,MCC的96.3%。

ROC曲线的传统分类方法和提出的分类方法数据所示5和6,分别。AUC值获得传统的分类使用纹理特性,形态特征,并结合纹理和形态学特征等于0.902,0.912,和0.948,分别。提出的分类方法实现的AUC值0.963使用multiple-ROI纹理分析和0.975使用融合multiple-ROI材质和形态分析。这些结果证实了提出的分类方法的性能优越比传统汽车图像分类。

的使用成对获得的值测试比较提出融合multiple-ROI质感和形态分析与其他四个分类方法在置信水平0.05如表所示5。结果报道在表5证明fusion-based方法明显优于传统的分类使用纹理特性,形态特征,并结合纹理和形态学特征以及multiple-ROI纹理分析。

根据这些结果,我们提出了肿瘤分类方法实现高灵敏度97.8%使用multiple-ROI纹理分析和融合multiple-ROI材质和形态分析。这些发现表明,提出的方法使诊断恶性肿瘤的高概率。此外,PPV的近乎完美的价值和获得的NPV融合multiple-ROI纹理分析和形态分析表明,许多不必要的活检进行良性肿瘤可以最小化。这些结果也表明,该方法有可能为放射科医生提供了第二个意见,有效减少误诊率。

平均值±标准偏差执行时间的multiple-ROI纹理分析和融合multiple-ROI质感和形态分析分别和73.66±2.19年代。相比之下,平均值±标准偏差执行时间的传统结构,形态,结合纹理和形态分析年代,年代,年代,分别。虽然multiple-ROI纹理分析和融合multiple-ROI质感和形态分析是低于传统的分类分析,提出了分类方法都需要在一分钟对汽车图像进行分类。这样执行时间不限制应用程序提出的分类方法的CAD系统,旨在提供一个准确的放射科医生的第二意见。

提出的这一研究报告的结果表明,multiple-ROI纹理分析优于传统的纹理分析,从一个ROI提取的纹理特征,包括肿瘤。在介绍中提到,许多乳腺肿瘤可能有复杂的结构模式,从一个地区到另一个在肿瘤。因此,multiple-ROI纹理分析可以有效的量化不同的局部纹理模式在肿瘤。另一个因素可能有助于提高性能的multiple-ROI纹理分析是能够分析肿瘤的局部纹理模式没有将周围的健康组织的结构模式。

使用小roi的组织特征一直受雇于其他ultrasound-based方法。例如,在定量超声成像的癌症(42,43),原始超声射频(RF)信号分为小的ROI,并且每个ROI分析提取光谱特性组织特征。此外,最近的一项研究Uniyal et al。44相比)的分类性能的组合ultrasound-based纹理,光谱,射频时间序列特性提取整个乳房肿瘤的性能通过将肿瘤分为1×1毫米²ROI和从每个ROI提取ultrasound-based特性相似。这项研究表明分类个人获得的分类性能1×1毫米²roi优于通过整个肿瘤分类的分类结果。这个发现同意我们提出multiple-ROI纹理分析方法。

multiple-ROI纹理分析在当前的研究中已经被应用于灰度共生矩阵提高分类的性能结构特点。我们的未来的发展方向包括扩展multiple-ROI纹理分析方法将其他统计纹理使用ROI提取纹理特征的方法。该方法也可以扩展进行多分辨率纹理特征提取,不同大小的roi是用来执行multiple-ROI纹理分析。此外,概率方法,已用于本研究融合multiple-ROI纹理分析和形态分析,可以扩展以支持多个分类结果的融合使用各种纹理和形态学方法和实现更高精度的目标,特异性和灵敏度。

影响肿瘤分类性能的一个重要因素是能够准确地概括了肿瘤。特别是,不精确的概述的肿瘤可能会影响的形态学特征量化肿瘤的形状和轮廓。此外,纹理特征,从描述中提取肿瘤区域,也可以影响肿瘤分割错误。在这项研究中,肿瘤概述是由放射科医生有超过13年的经验。这种由一个有经验的操作人员一直在使用手册概述了几个以前的研究,如(10,15]。事实上,肿瘤的手册概述是一项耗时的工作,其准确性是放射科医生的经验水平。这个工作的未来方向是采用自动肿瘤分割算法,如(45),采用先进的图像处理技术来实现肿瘤的准确和客观的概述。

multiple-ROI纹理分析方法用于这项研究可以扩展到减少肿瘤列出错误的影响。特别是,对于每一个ROI computer-drawn大纲内,一个训练有素的分类器可以用来估计的概率属于肿瘤或周围的健康组织。可以使用概率估计重量等肿瘤类指标从个人获得roi。可以开发一个定制的投票算法结合的加权肿瘤类指标个别roi和估计后肿瘤类的可能性。

4所示。结论

在这项研究中,提出了汽车图像分类的有效方法。纹理分析是由肿瘤划分成一组不重叠的ROI和单独处理每个ROI估计其肿瘤类指标。肿瘤类指标的roi内肿瘤联合使用多数投票机制来评估后肿瘤类的可能性。除了multiple-ROI纹理分析、形态分析是用来估计后肿瘤类的可能性。概率方法是用来融合后肿瘤类可能获得使用材质和形态分析。该方法已经被用来分类110总线的图像。分类结果表明,该方法实现了分类性能,优于传统的质感和形态分析。特别是,融合multiple-ROI纹理分析和形态分析使分类精度为98.2%,特异性为98.4%,敏感性为97.8%。这些结果表明,该方法有可能为放射科医生提供一个精确的第二意见减少一次性活检率和减少公交形象误诊。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项研究支持的科学研究支持基金(项目编号ICT / 2/07/2013),乔丹。作者要感谢博士Adnan Zayadeen皇家医疗服务、约旦、验证手册列出的肿瘤。

引用

1. j . Ferlay Soerjomataram, r·德里et al .,“全球癌症发病率和死亡率:来源,2012年GLOBOCAN方法和主要模式,”国际癌症杂志》上,卷136,不。5,E359-E386, 2015页。视图:出版商的网站|谷歌学术搜索
2. k·科尔和f . m . Daguilh”,早期发现乳腺癌:乳房x光检查就够了吗?”医院的医生卷。9日,49-55,2002页。视图:谷歌学术搜索
3. D.-R。陈和中州。萧,“计算机辅助诊断乳房超声检查。”《医学超声,16卷,不。1,46-56,2008页。视图:出版商的网站|谷歌学术搜索
4. m . Nothacker诉杜达·m·哈恩et al .,“早期发现乳腺癌:益处和风险的补充乳房超声检查无症状妇女的乳腺致密的乳房组织。系统回顾。”BMC癌症第335条,卷。9日,2009年。视图:出版商的网站|谷歌学术搜索
5. a . Jalalian s . b . t . Mashohor h·r·马哈茂德m . i . b . Saripan a . r . b . Ramli和b . Karasfi“计算机辅助检测和诊断乳腺癌的乳房x光检查和超声:复习一下,”临床成像,37卷,不。3、420 - 426年,2013页。视图:出版商的网站|谷歌学术搜索
6. j·h·d . Cheng, w . Ju, y . h .郭和l .张“自动化乳腺癌检测和分类使用超声波图像:一项调查,“模式识别,43卷,不。1,第317 - 299页,2010。视图:出版商的网站|谷歌学术搜索
7. W.-J。吴,S.-W。林,w . k .月亮,“一个基于人工免疫系统的支持向量机分类方法超声乳腺肿瘤图像,”数码影像杂志,28卷,不。5,576 - 585年,2015页。视图:出版商的网站|谷歌学术搜索
8. C.-M。林,杨绍明。关铭侯,T.-Y。陈,K.-H。陈,“乳房结节计算机辅助诊断系统设计使用模糊小脑模型神经网络,”IEEE模糊系统,22卷,不。3、693 - 699年,2014页。视图:出版商的网站|谷歌学术搜索
9. w·g·弗洛雷斯,w·c·d·a·佩雷拉和a . f . c . Infantosi”提高分类性能的乳腺病变超声,”模式识别,48卷,不。4、1121 - 1136年,2015页。视图:出版商的网站|谷歌学术搜索
10. 彭译葶。陈,周宏儒。邱,S.-Y。周et al .,“计算机辅助诊断软组织肿瘤使用超声形态和纹理特性,”放射学学术,16卷,不。12日,第1538 - 1531页,2009年。视图:出版商的网站|谷歌学术搜索
11. D.-R。陈,C.-L。简,Y.-F。郭”,计算机辅助评估乳腺癌肿瘤分级的超声图像,”计算和数学方法在医学914091卷,2015篇文章ID, 6页,2015。视图:出版商的网站|谷歌学术搜索
12. w·戈麦斯、w·c·a·佩雷拉和a . f . c . Infantosi”的纹理数据的函数的共现分析灰度量化分类乳房超声检查,”IEEE医学成像没有,卷。31日。10日,1889 - 1899年,2012页。视图:出版商的网站|谷歌学术搜索
13. W.-J。吴,S.-W。林,w . k .月亮”,结合支持向量机和遗传算法分类超声乳腺肿瘤图像,”计算机医学影像和图形,36卷,不。8,627 - 633年,2012页。视图:出版商的网站|谷歌学术搜索
14. w . k .月亮,C.-M。瞧,j . m . Chang, c。黄,黄永发。陈,R.-F。常,“定量超声分析BI-RADS类别分类3乳腺肿块,”数码影像杂志,26卷,不。6,1091 - 1098年,2013页。视图:出版商的网站|谷歌学术搜索
15. s . k .阿拉姆·e·j . Feleppa m .回旋诗a·卡利什和b . s .鱼”,“计算机辅助诊断超声特征分析过程的固体乳房病变,“超声成像,33卷,不。1,17-38,2011页。视图:出版商的网站|谷歌学术搜索
16. W.-J。吴和w . k .月亮,“超声乳腺肿瘤与纹理图像的计算机辅助诊断和形态学特征,“放射学学术,15卷,不。7,873 - 880年,2008页。视图:出版商的网站|谷歌学术搜索
17. R.-F。Chang W.-J。吴,w . k .月亮,D.-R。陈,“自动超声波分割和基于形态学诊断的坚实的乳房肿瘤,”乳腺癌研究和治疗,卷89,不。2、179 - 185年,2005页。视图:出版商的网站|谷歌学术搜索
18. k .聂黄永发。陈,h . j ., y, o . Nalcioglu, M.-Y。苏”,病变形态和结构特性的定量分析在乳腺MRI诊断预测,“放射学学术,15卷,不。12日,第1525 - 1513页,2008年。视图:出版商的网站|谷歌学术搜索
19. a . v . Alvarenga a . f . c . Infantosi w·c·a·佩雷拉和c . m .代理”形态的性能评估参数区分乳腺肿瘤超声图像,”医学工程学和物理学,32卷,不。1,49-56,2010页。视图:出版商的网站|谷歌学术搜索
20. w . k .月亮,C.-M。罗:曹et al .,“计算机辅助诊断乳腺肿块使用量化BI-RADS发现,“计算机在生物医学方法和项目,卷111,不。1,第92 - 84页,2013。视图:出版商的网站|谷歌学术搜索
21. 观测。沈,R.-F。常,w . k .月亮,中州。周,c。黄,“乳房超声检查使用BI-RADS特性计算机辅助诊断,”放射学学术,14卷,不。8,928 - 939年,2007页。视图:出版商的网站|谷歌学术搜索
22. R.-F。Chang W.-J。吴,w . k .月亮,D.-R。陈”,提高乳腺肿瘤歧视,支持向量机和speckle-emphasis纹理分析,“超声波在医学和生物学卷,29号5,679 - 686年,2003页。视图:出版商的网站|谷歌学术搜索
23. D.-R。陈,R.-F。Chang C.-J。Chen等人“乳腺超声图像使用分形特性,分类”临床成像卷,29号4、235 - 245年,2005页。视图:出版商的网站|谷歌学术搜索
24. M.-C。杨,w . k .月亮,研究。王f . et al .,“健壮的纹理分析乳腺肿瘤超声诊断使用多分辨率灰度不变的特性,“IEEE医学成像,32卷,不。12日,第2273 - 2262页,2013年。视图:出版商的网站|谷歌学术搜索
25. n . Piliouras i Kalatzis: Dimitropoulos, d . Cavouras”发展的立方映射线性核最小二乘支持向量机分类器对提高乳腺病变的超声描述,“计算机医学影像和图形,28卷,不。5,247 - 255年,2004页。视图:出版商的网站|谷歌学术搜索
26. 杨绍明。关铭黄,K.-L。王,D.-R。陈,“诊断乳腺肿瘤的超声纹理分析使用支持向量机,”神经计算和应用,15卷,不。2、164 - 169年,2006页。视图:出版商的网站|谷歌学术搜索
27. r . m . Haralick k Shanmugam,即h·汀斯坦”纹理特征的图像分类,“IEEE系统,人,控制论,3卷,第621 - 610页,1973年。视图:谷歌学术搜索
28. D.-R。陈,杨绍明。关铭黄,工程学系。林,”计算机辅助诊断乳腺病变的具体性的纹理特征,“计算机医学影像和图形,35卷,不。3、220 - 226年,2011页。视图:出版商的网站|谷歌学术搜索
29. r . m . Rangayyan n . r . Mudigonda和j·e·l . Desautels”边界模型和形状分析方法分类的乳腺肿块,”医学和生物工程和计算机,38卷,不。5,487 - 496年,2000页。视图:出版商的网站|谷歌学术搜索
30. L.-K。Soh和c . Tsatsoulis sar海冰图像的纹理分析使用灰度共生矩阵法,“IEEE地球科学和遥感,37卷,不。2、780 - 795年,1999页。视图:出版商的网站|谷歌学术搜索
31. d . a . Clausi”同现的分析纹理统计灰度级的函数量化,”加拿大遥感杂志》上,28卷,不。1,45 - 62年,2002页。视图:出版商的网站|谷歌学术搜索
32. w . k .月亮,Y.-S。黄,C.-M。Lo et al .,“计算机辅助诊断区分三阴性乳腺癌和纤维肿瘤超声纹理特征基础上,“医学物理学,42卷,不。6,3024 - 3035年,2015页。视图:出版商的网站|谷歌学术搜索
33. Theodoridis和k . Koutroumbas模式识别美国质量、学术出版社,伯灵顿,第四版,2009年版。
34. f·h·Peng长,c .丁”的基于互信息的特征选择:标准max-dependency, max-relevance, min-redundancy,”IEEE模式分析与机器智能,27卷,不。8,1226 - 1238年,2005页。视图:出版商的网站|谷歌学术搜索
35. 诉Vapnik,统计学习理论的本质施普林格,纽约,纽约,美国,1995年。视图:出版商的网站|MathSciNet
36. R.-E。风扇,林志信。陈,C.-J。林”,可以选择工作集训练支持向量机,使用二阶信息”机器学习的研究》杂志上》第六卷,第1918 - 1889页,2005年。视图:谷歌学术搜索|MathSciNet
37. x y谢,s,王谢,和c·杨,“一个新的预测模型基于氧化铝浸出率动力学的消化过程中,“湿法冶金术,卷164,7 - 14,2016页。视图:出版商的网站|谷歌学术搜索
38. f·m·j·Valckx和j . m . Thijssen”的回声图像纹理特征同现矩阵参数,“超声波在医学和生物学,23卷,不。4、559 - 571年,1997页。视图:出版商的网站|谷歌学术搜索
39. j·普拉特,”概率输出支持向量机和比较正规化方法,可能性”先进的分类器,10卷,页61 - 74,麻省理工学院出版社,1999年。视图:谷歌学术搜索
40. l . i Kuncheva结合模式分类器:方法和算法约翰•威利& Sons 2004。视图:出版商的网站|MathSciNet
41. r·o·杜达·e·哈特和d . g .鹳,模式分类约翰·威利& Sons,纽约,纽约,美国,2012年。视图:MathSciNet
42. e . j . Feleppa j . Mamou c·r·波特和j·马基,“癌症中定量超声成像,”在肿瘤学研讨会,38卷,不。1,第150 - 136页,2011。视图:出版商的网站|谷歌学术搜索
43. m . l . Oelze w·d·奥布莱恩Jr . j . p .蓝色,和j·f·扎卡里,“鼠乳腺纤维肿瘤的分化和表征和4 t1鼠标癌用定量超声成像,”IEEE医学成像,23卷,不。6,764 - 771年,2004页。视图:出版商的网站|谷歌学术搜索
44. n . Uniyal h . Eskandari p Abolmaesumi et al .,“超声射频时间序列分类的乳房病变,“IEEE医学成像,34卷,不。2、652 - 661年,2015页。视图:出版商的网站|谷歌学术搜索
45. 达乌德,a . a . Atallah f . Awwad和m . Al-Najar“准确、全自动乳腺超声图像的分割结合图像边界和区域信息,”《IEEE 13生物医学成像(16位ISBI”国际研讨会)IEEE,页718 - 721年,布拉格,捷克共和国,2016年4月。视图:出版商的网站|谷歌学术搜索

版权

版权©2016张穆罕默德。达乌德等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。