Интеллектуальные системы и технологии

Comparison and selection of radiomic and deep convolutional features for improving the accuracy of CT-image texture classification

[Сравнение и выбор радиомических и глубоких сверточных признаков для повышения точности классификации текстур КТ-изображений]

F. Shariaty, V. A. Pavlov, M. U. Surakov

Peter the Great St. Petersburg Polytechnic University

Аннотация: 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.

Ключевые слова: радиомика, глубокие свёрточные признаки, компьютерная томография, машинное обучение, отбор признаков.

УДК: 004.932.72

Поступила в редакцию: 15.04.2024

Язык публикации: английский

DOI: 10.18721/JCSTCS.17206