Details
| Title | Comparison and selection of radiomic and deep convolutional features for improving the accuracy of CT-image texture classification // Информатика, телекоммуникации и управление. – 2024. – Т. 17, № 2. — С. 62-70 |
|---|---|
| Creators | Shariaty F. ; Pavlov V. A. ; Surakov M. U. |
| Imprint | 2024 |
| Collection | Общая коллекция |
| Subjects | Вычислительная техника ; Программирование ЭВМ. Компьютерные программы. Программотехника ; Здравоохранение. Медицинские науки ; Пульмонология ; CT images ; computed tomography ; ctextures of CT images ; radiological signs ; deep convolutional signs (medicine) ; CT diagnostics ; lung cancer diagnosis ; КТ-изображения ; компьютерная томография ; текстуры КТ-изображений ; радиомические признаки ; глубокие сверточные признаки (медицина) ; КТ-диагностика ; диагностика рака легких |
| UDC | 004.41/42 ; 616.24/25 |
| LBC | 32.973-018 ; 54.12 |
| Document type | Article, report |
| File type | |
| Language | English |
| DOI | 10.18721/JCSTCS.17206 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Record key | RU\SPSTU\edoc\74876 |
| Record create date | 12/16/2024 |
The article explores the problem of comparing and selecting radiomic and deep convolutional features extracted from CT images to enhance the accuracy of texture classification in CT diagnostics. By using the mRMR method, the study assesses the significance of these features in predicting genetic mutations in patients with lung cancer, highlighting their importance for refining diagnostic procedures. The developed predictive model demonstrates high classification accuracy of 92%, which indicates its high efficiency. Analysis of the results reveals that deep learning features effectively capture complex, high-level abstract textures that indicate the presence of pathologies. At the same time, radiomic features provide key information about the phenotypic characteristics of tumors, such as shape, texture, and intensity. This comprehensive approach not only improves the accuracy of non-invasive diagnostics, but also contributes significantly to personalized medicine by facilitating the development of more precise treatment strategies based on genetic profiles.
В статье подробно рассматривается задача сравнения и выбора радиомических и глубоких сверточных признаков, извлекаемых из КТ-изображений, для повышения точности классификации текстур в рамках КТ-диагностики. Использование метода mRMR позволило оценить значимость этих признаков в контексте прогнозирования наличия генетических мутаций у пациентов с раком легкого, подчеркивая их важность для уточнения диагностических процедур. Разработанная модель показала высокую точность классификации - 92%, что свидетельствует о ее высокой эффективности. Анализ результатов выявил, что признаки, основанные на глубоком обучении, эффективно фиксируют сложные, высокоуровневые абстрактные текстуры, что указывает на наличие патологий. В то же время радиомические признаки обеспечивают ключевую информацию о детальных фенотипических характеристиках опухолей, включая форму, текстуру и интенсивность. Такой комплексный подход не только повышает точность неинвазивной диагностики, но и вносит значимый вклад в персонализированную медицину, способствуя разработке более точных стратегий лечения на основе генетических профилей.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
Access count: 87
Last 30 days: 12
