基于计算机乳腺成像报告和数据系统特征的乳腺肿瘤分类

本文研究了基于计算机化的乳腺成像报告和数据系统（Computerized Breast Imaging Reporting and Data System, CBI-RADS）特征系统的乳腺肿瘤分类方法。作者Mengyun Qiao、Yuzhou Hu、Yi Guo、Yuanyuan Wang和Jinhua Yu合作进行了一项旨在提高超声乳腺癌诊断准确性的研究。 研究目标是通过提取并验证新的高通量特征，对美国放射学会乳腺成像报告和数据系统（Breast Imaging Reporting and Data System, BI-RADS）进行详细且全面的描述，以区分良性肿瘤和恶性肿瘤。首先，采用了相位一致性方法实现肿瘤的自动分割，这是一种有效的非破坏性图像分析技术，能帮助分离肿瘤区域与正常组织。 接着，针对每个BI-RADS类别设计并提取了一系列高通量特征，这些特征可能包括形状、纹理、能量分布等多维度信息。特征选择阶段至关重要，作者采用学生t检验和遗传算法相结合的方法，筛选出对分类最有影响力的特征，以降低冗余并提高模型的性能。 最后，研究者使用AdaBoost分类器进行模型训练和测试。AdaBoost是一种集成学习算法，它通过结合多个弱分类器形成一个强分类器，能够有效地处理不平衡的数据集。通过138个病理证实的乳腺肿瘤数据库进行留一交叉验证，该系统显示出极高的整体准确性，达到了9%的结果，表明其在乳腺肿瘤识别上具有显著优势，相较于现有的六种先进的BI-RADS特征提取方法，这是一项具有实际应用潜力的技术。 总结来说，这项研究不仅创新了乳腺肿瘤特征提取方法，还展示了如何利用CBI-RADS分类系统提高乳腺癌诊断的精确度。它为临床医生提供了有力的辅助工具，并为进一步研究和开发乳腺影像分析技术奠定了坚实的基础。然而，未来的研究可以考虑扩大样本量，探索更多高级特征和机器学习模型，以进一步提升分类性能。