Integrating quantitative and convolutional features to enhance the efficiency of pathology classification in CT imaging

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.