小白学习医学图像处理的第一

论文学习进度

所读论文笔记

基于多模态特征分析学习的脑出血预测方法_陈 萍_unlocked_注释笔记

1. 文本下划线 (Page 5) 20%-30%的脑出血患者会出现早期血肿 扩大现象

2. 文本下划线 (Page 5) 诊断主要靠专业医师根据患者入院时第一次扫描 的 CT 影像和随访临床记录的信息

3. 文本下划线 (Page 5) 关注医学图像信息的处理

4. 文本下划线 (Page 5) 还原医师实际诊断综合分析医学图像 和医学文本信息的脑出血早期血肿诊断系统，

5. 文本下划线 (Page 5) 早期血肿诊断精度

6. 文本下划线 (Page 5) 利用不同领域方法的脑出 血早期血肿预测分类模型

7. 文本下划线 (Page 5) 仅靠单一图像信息的问题

8. 文本下划线 (Page 5) 感兴趣区域提取图像特征作为主要特征，再经过多步筛选得到高度相关图像特征， 对临床文本特征进行单因素和独立危险因素筛选辅助图像特征来优化分类模型性能，将筛 选之后的高度相关图像特征和临床文本信息特征结合输入不同的分类器中选出最优组合

9. 文本下划线 (Page 5) 五折交叉验证和测试来对比模型性能

10. 便签1 (Page 5)标注：机器学习及医学领域：受试者工作特征曲线（Receiver Operating Characteristic Curve, ROC 曲线）

一、定义 ROC 曲线是一种用于评估二分类模型性能的图形化工具。它以假阳性率（False Positive Rate, F PR）为横坐标，真阳性率（True Positive Rate, TPR）为纵坐标，通过改变分类阈值，得到一系 列的（FPR, TPR）点，将这些点连接起来就形成了 ROC 曲线。

二、相关概念 1、假阳性率（FPR）：表示模型错误地将负类样本预测为正类的比例，即 FPR= fracFPFP+TN，其中 FP 是假阳性数，TN 是真阴性数。 2、真阳性率（TPR）：也称为灵敏度或召回率，表示模型正确地将正类样本预测为正类的比例， 即 TPR= fracTPTP+FN，其中 TP 是真阳性数，FN 是假阴性数。 3、曲线下面积（Area Under the Curve, AUC）：ROC 曲线下的面积，用于量化模型的性能。A UC 的取值范围在 0 到 1 之间，AUC 越接近 1，表示模型的区分能力越强；AUC 等于 0.5 时，表 示模型的预测结果与随机猜测无异。

三、应用 1、模型评估：通过比较不同模型的 ROC 曲线和 AUC 值，可以直观地评估模型的性能优劣。RO C 曲线越接近左上角，模型性能越好；AUC 值越大，模型的区分能力越强。 2、阈值选择：ROC 曲线可以帮助选择合适的分类阈值。在实际应用中，需要根据具体需求平衡 真阳性率和假阳性率，通过分析 ROC 曲线，可以找到使两者达到最佳平衡的阈值。 3、医学诊断：在医学领域，ROC 曲线被广泛用于评估诊断测试的准确性。例如，通过绘制某种 疾病诊断测试的 ROC 曲线，可以确定最佳的诊断阈值，帮助医生更准确地判断患者是否患病。

11. 便签2 (Page 5)标注：SVM是支持向量机（Support Vector Machine）的简称，它是一种广泛应用于监督学习 的机器学习算法，主要用于分类和回归任务，尤其在分类问题上表现出色。以下是对SVM的详细 介绍

： 一、核心原理 SVM的核心目标是构建一个最优的线性或非线性决策边界（超平面），将不同类别的数据点尽可 能分开，并使间隔最大化。这里的“间隔”指的是超平面与最近数据点之间的距离，SVM通过最 大化这个间隔来提高模型的泛化能力，减少过拟合的风险。 二、关键概念 支持向量：位于间隔边界上的数据点被称为支持向量，它们对超平面的位置有直接影响，是定义 最佳决策边界的关键。 超平面：在二维空间中表现为直线，三维空间中表现为平面，更高维空间中则称为超平面。它是S VM用于分类的线性边界。 核函数：当数据在原始特征空间中线性不可分时，SVM通过核函数将数据映射到高维特征空间， 使其变得线性可分。常用的核函数包括线性核、多项式核、径向基函数（RBF）核等。

三、算法特点 高效处理非线性问题：通过核函数，SVM能够处理复杂的非线性关系，使得原本在低维空间中线 性不可分的数据在高维空间中变得线性可分。 抗过拟合：SVM通过最大化间隔来减少模型对训练数据中噪声的敏感性，从而提高模型的泛化能 力。 小样本学习：SVM在小样本数据集上也能表现出色，适合处理数据量有限但特征维度较高的问题。 不依赖全数据集：SVM的训练过程主要依赖于支持向量，而不是整个数据集，这使得它在处理大 规模数据时具有较高的效率。 12. 便签3 (Page 5)标注：HCR（Hand-Crafted Radiomics）即手工制作放射组学，是基于预定义的数学公式从医 学图像中提取纹理和形状描述符，用于定量分析影像特征以辅助疾病诊断和预后评估。以下是对 其核心内容的详细解释：

一、定义与原理 HCR是一种影像组学方法，它基于预定义的数学公式，从医学图像（如CT、MRI、PET等）中提 取纹理和形状描述符。