研究目的
评估并比较B型超声、纹理图像和Nakagami图像在乳腺超声中通过结合不同物理超声特征对良恶性肿瘤进行分类的效用，以提高诊断性能。
研究成果
形态学、纹理和Nakagami特征（特别是SS、VAR和Nm）的组合为乳腺肿瘤分类提供了最佳性能，具有高准确率、特异性和敏感性。这验证了不同物理超声特征在功能上具有互补性，且最优特征集的判别性能与所使用的分类器无关。未来工作可整合弹性成像等附加特征以提升分类效果。
研究不足
该研究的局限性在于病灶轮廓勾画的差异性、对不同超声成像平台及系统设置的依赖，以及所使用乳腺肿瘤的具体数量和类型。其性能可能无法推广至所有系统或肿瘤类型，在实际应用中还需进一步优化。
1：实验设计与方法选择：
本研究采用基于B型超声、纹理图像和Nakagami图像的综合分析方法。通过皮尔逊相关矩阵评估特征相关性，利用模糊C均值聚类和逐步回归确定最优特征集，采用逻辑回归、ROC曲线分析和支持向量机评估诊断效能。
2：样本选择与数据来源：
获取160例临床病例原始数据（良性80例，恶性80例），乳腺超声图像由便携式超声仪采集。病例均经病理证实并由资深乳腺外科医师分类。
3：实验设备与材料清单：
Terason 3000型便携式超声仪（配7.5MHz线阵探头Model 12L5），Adobe Photoshop软件用于轮廓勾画，MATLAB软件（R2015b版本）实现算法处理。
4：5MHz线阵探头Model 12L5），Adobe Photoshop软件用于轮廓勾画，MATLAB软件（R2015b版本）实现算法处理。 实验流程与操作规范：
4. 实验流程与操作规范：采用标准化参数获取超声图像，在B型图上手动勾画肿瘤轮廓并映射至Nakagami图像，提取形态学、纹理及Nakagami参数，通过统计方法与交叉验证分类器进行分析。
5：数据分析方法：
采用t检验评估统计学显著性，ROC曲线分析诊断性能，皮尔逊相关矩阵分析特征相关性，模糊C均值聚类与逐步回归进行特征筛选，逻辑回归与支持向量机实施分类。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
ultrasound scanner
Model 3000
Terason
Acquiring breast ultrasound images and raw radio-frequency backscattered signals for analysis.
-
transducer
Model 12L5
Terason
Used with the ultrasound scanner for imaging, specifically a linear array transducer.
-
software
Adobe Photoshop
Adobe Systems Inc.
Used for manual delineation of tumor contours on B-mode images.
-
software
MATLAB
Mathworks
Used for implementing all algorithms, including feature extraction and analysis.
-
登录查看剩余2件设备及参数对照表
查看全部
