典型文献
基于机器学习方法的超声M模式气胸图像的分类研究
文献摘要：
本研究基于图像提取特征结合机器学习方法,建立超声M模式图像分类模型,为气胸诊断提供参考.收集肺部滑动存在特征典型图像171幅,特征不典型图像283幅;肺部滑动消失特征典型图像1113幅,特征不典型图像111幅;肺点特征典型图像850幅,特征不典型图像285幅.通过提取灰度共生矩阵、灰度游程矩阵等纹理特征,采用五折交叉验证方法,使用随机森林、朴素贝叶斯和支持向量机3种分类器对M模式下超声图像进行分类.在使用支持向量机下,对单独特征典型图像进行分类的准确率最高,达到99.2％,灵敏度为99.54％,特异性为97.08％.实验结果证明,机器学习有望作为一种新的辅助诊断手段,有助于提高急救场合下的超声诊断气胸的准确率.
文献关键词：
M超声图像;特征提取;传统分类算法;气胸诊断;分类器;沙滩征
中图分类号：
作者姓名：
张强;魏高峰;闫士举;张涛;汪俊豪
作者机构：
上海理工大学健康科学与工程学院,上海200093;海军军医大学海军医学系,上海200433
文献出处：
引用格式：
[1]张强;魏高峰;闫士举;张涛;汪俊豪-.基于机器学习方法的超声M模式气胸图像的分类研究)[J].生物医学工程研究,2022(02):151-157
A类：
沙滩征
B类：
基于机器学习,机器学习方法,分类研究,图像提取,提取特征,特征结合,模式图,图像分类,分类模型,气胸诊断,存在特征,不典型,点特征,灰度共生矩阵,灰度游程矩阵,纹理特征,五折交叉验证,验证方法,朴素贝叶斯,分类器,超声图像,辅助诊断,断手,救场,超声诊断,断气,传统分类算法
AB值：
0.377224
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
