融合多核学习和多源特征的胰腺囊性肿瘤分类方法

胰腺囊性肿瘤的良恶性分类对于医学决策至关重要，本文致力于提高胰腺囊性肿瘤的分类准确性，以辅助医生更精确地制定诊疗方案。基于影像组学技术和ResNet50神经网络，提出了融合多核学习和多源特征的胰腺囊性肿瘤分类方法，其关键步骤包括特征筛选、核矩阵融合及构建分类模型。首先采用最小绝对收缩与选择算子（Least absolute shrinkage and selection operator， LASSO）进行特征筛选，减少冗余特征，提高模型的泛化能力；然后选取经过特征筛选的多源特征，通过在基础核函数中进行特征映射，构建多源特征的基础核矩阵，优化选取核矩阵的权重系数，并加权相加这些基础核矩阵以形成融合的核矩阵；最后，利用支持向量机（Support vector machine，SVM）分类器对胰腺浆液性和黏液性囊性肿瘤进行分类。这一过程的关键在于，SVM可以利用核矩阵在高维空间中内积，在高维空间中寻找一个超平面来分类数据，而融合的核矩阵中包含了经过特征映射的多源信息，可以提供更高维度和更复杂的特征表示。实验结果表明，该方法在胰腺囊性肿瘤良恶性分类任务中取得了显著的性能提升，可为医生提供更可靠的辅助信息，具有显著的临床应用潜力。