• 1. 上海大学 先进通信与数据科学研究院 通信与信息工程学院(上海 200444);
  • 2. 安徽医科大学第一附属医院 超声科(合肥 230022);
  • 3. 中国科学院 上海高等研究院(上海 201210);
导出 下载 收藏 扫码 引用

特征表达和分类器的性能是决定计算机辅助诊断(CAD)系统性能的重要因素。为了提升基于超声成像的乳腺癌 CAD 系统的性能,本文提出了一种基于自步学习(SPL)的多经验核映射(MEKM)排他性正则化机(ERM)集成分类器算法,能同时提升特征表达和分类器模型的性能。该算法首先通过 MEKM 映射得到多组特征,以增强特征表达能力,并嵌入到 ERM 作为多个支持向量机的核变换;然后采用 SPL 策略自适应地选择样本,由易到难地逐步训练 ERM 集成分类器模型,从而提升分类器的性能。该算法分别在乳腺癌 B 型超声数据库和弹性超声数据库上进行了验证,结果显示 B 型超声的分类准确率、敏感度和特异性分别为 (86.36±6.45)%、(88.15±7.12)% 和 (84.52±9.38)%,而弹性超声的分类准确率、敏感度和特异性分别为 (85.97±3.75)%、(85.93±6.09)% 和 (86.03±5.88)%。实验结果表明,本文所提出算法能有效提升乳腺超声 CAD 的性能,具有投入实用的潜能。

引用本文: 汪琳琳, 沈璐, 施俊, 费晓燕, 周玮珺, 徐浩煜, 刘立庄. 基于自步学习的多经验核映射集成分类器在乳腺癌超声计算机辅助诊断上的应用. 生物医学工程学杂志, 2021, 38(1): 30-38. doi: 10.7507/1001-5515.202002004 复制

  • 上一篇

    基于时频混合域局部统计的帕金森病语音障碍分析方法研究
  • 下一篇

    基于共空间模式算法和支持向量机二重分类的癫痫发病预测