[论文解读] Comparing Results of Thermographic Images Based Diagnosis for Breast Diseases

Érick Oliveira Rodrigues, Aura Conci+4 more|arXiv (Cornell University)|Aug 30, 2022

Infrared Thermography in MedicineMedicine参考文献 8被引用 18

一句话总结

本研究利用来自累西腓联邦大学医院（UFPE Hospital）的102张静态热成像图像公开数据集（54张正常，48张异常），评估红外热成像在乳腺疾病检测中的应用。比较了多种机器学习分类器，采用先前表现最佳方法提取的特征，通过序列最小优化（SMO）算法实现61.7%的准确率和0.24的Youden指数。

ABSTRACT

This paper examines the potential contribution of infrared (IR) imaging in breast diseases detection. It compares obtained results using some algorithms for detection of malignant breast conditions such as Support Vector Machine (SVM) regarding the consistency of different approaches when applied to public data. Moreover, in order to avail the actual IR imaging's capability as a complement on clinical trials and to promote researches using high-resolution IR imaging we deemed the use of a public database revised by confidently trained breast physicians as essential. Only the static acquisition protocol is regarded in our work. We used lO2 IR single breast images from the Pro Engenharia (PROENG) public database (54 normal and 48 with some finding). These images were collected from Universidade Federal de Pernambuco (UFPE) University's Hospital. We employed the same features proposed by the authors of the work that presented the best results and achieved an accuracy of 61.7 % and Youden index of 0.24 using the Sequential Minimal Optimization (SMO) classifier.

研究动机与目标

• 评估机器学习在检测乳腺异常方面红外热成像的诊断潜力。
• 比较不同分类算法在标准化公开热成像数据集上的性能表现。
• 验证高分辨率静态热成像作为临床乳腺疾病筛查辅助工具的实用性。
• 基于经修订并由医生验证的公开数据库中表现最佳的先前方法提取的特征，建立基准。
• 通过提供一个可靠、公开可获取且具有临床验证的数据集，推动热成像研究的发展。

提出的方法

• 使用来自累西腓联邦大学医院（UFPE University Hospital）的102张静态红外热成像图像，数据源自Pro Engenharia（PROENG）公开数据库。
• 采用先前表现最佳研究中使用的相同特征集，以确保一致性和可比性。
• 应用序列最小优化（SMO）分类器对正常与异常病例进行二分类。
• 使用标准指标（包括准确率和Youden指数）评估模型性能。
• 仅关注静态采集协议，不包括动态或体温调节反应分析。
• 使用经医生验证的公开数据集，以确保临床相关性与可重复性。

实验结果

研究问题

• RQ1 使用机器学习方法，红外热成像能否在区分恶性乳腺病变与正常病例方面实现具有临床意义的准确率？
• RQ2 当应用于标准化热成像数据集时，SMO分类器的性能与其他算法相比如何？
• RQ3 使用经医生验证的高分辨率公开数据库在多大程度上提升了热成像诊断研究的可靠性？
• RQ4 仅依靠静态热成像的诊断效用如何，以准确率和Youden指数衡量？
• RQ5 能否在新数据集上复现先前表现最佳模型的特征提取方法，并获得可比结果？

主要发现

• SMO分类器在102张热成像图像的测试集中实现了61.7%的诊断准确率。
• 0.24的Youden指数表明诊断区分能力中等，提示正常与异常病例之间存在有限但非微不足道的分离。
• 本研究证实，当与机器学习结合时，热成像技术可在公开数据集中实现可测量的诊断性能。
• 研究结果表明，使用标准化特征集和经医生验证的数据集可复现先前的研究发现。
• 性能水平表明，热成像可能作为临床筛查中的辅助工具，但不太可能取代标准影像检查方法。
• 使用公开、高分辨率且经医生审核的数据库显著提升了未来热成像研究的可靠性与可重复性。