Details
| Title | Integrating quantitative and convolutional features to enhance the efficiency of pathology classification in CT imaging = Интеграция количественных и сверточных признаков для повышения эффективности классификации патологий на изображениях компьютерной томографии // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2023. – Vol. 16, № 4. — С. 60-69 |
|---|---|
| Creators | Shariaty F. ; Caiqin H. ; Pavlov V. A. ; Duan L. ; Zavjalov S. V. ; Pervunina P. T. ; Ying W. |
| Imprint | 2023 |
| Collection | Общая коллекция |
| Subjects | Вычислительная техника ; Распознавание и преобразование образов ; Здравоохранение. Медицинские науки ; Медицинская радиология и рентгенология ; computed tomography ; computed tomography images ; classification of pathologies in images ; convolutional signs ; radiomics ; machine learning ; genetic data ; компьютерная томография ; изображения компьютерной томографии ; классификации патологий на изображениях ; сверточные признаки ; радиомика ; машинное обучение ; генетические данные |
| UDC | 004.93; 615.849 |
| LBC | 32.973-018.2; 53.6 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.16406 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Record key | RU\SPSTU\edoc\72625 |
| Record create date | 3/14/2024 |
The paper proposes an approach that combines radiomic features and deep learning to enhance the accuracy of image classification obtained from lung computed tomography (CT) scans. The deep convolutional neural network ResNet18 was used to extract convolutional features from CT images. Radiomic features describing texture, shape, and intensity were combined with these convolutional features to improve the feature description of the lung CT image dataset. Using Principal Component Analysis (PCA) and feature selection methods, the most informative set of 250 features was obtained. Machine learning models, including Random Forest and Support Vector Machines (SVM), were used for classification. The SVM classifier showed the best results, achieving a classification accuracy of 0.97. The addition of genetic data allowed an improvement in classification accuracy. The study underscores the importance of combining advanced computational methods and data processing methodologies to solve image classification tasks.
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 свёрточных признаков из КТ-изображений была использована глубокая свёрточная нейронная сеть ResNet18. Радиомические признаки, описывающие текстуру, форму и интенсивность, были объединены с этими свёрточными признаками для улучшения признакового описания набора данных КТ изображений лёгких. 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 подчёркивает важность объединения передовых вычислительных методик и методологий обработки данных для решения задач классификации изображений.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
