PORÓWNANIE WPŁYWU STANDARYZACJI I NORMALIZACJI DANYCH NA SKUTECZNOŚĆ KLASYFIKACJI TEKSTURY TKANKI GĄBCZASTEJ KRĘGOSŁUPA

Celem niniejszego artykułu było porównanie wpływu metod wstępnego przetwarzania danych - normalizacji i standaryzacji - na wyniki klasyfikacji obrazów tkanki gąbczastej. Do analiz wykorzystano czterysta obrazów tomografii komputerowej kręgosłupa (kręg L1). Obrazy pochodziły od pięćdzisięciu zdrowych pacjentów oraz pięćdziesięciu pacjentów ze zdiagnozowaną osteoporozą. Uzyskane próbki tkanki (50×50 pikseli) poddano analizie tekstury w wyniku czego otrzymano deskryptory cech oparte na histogramie poziomów szarości, macierzy gradientu, macierzy RL, macierzy zdarzeń, modelu autoregresji i transformacie falkowej. Otrzymane wyniki ustawiono w rankingu ważności (od najistotniejszej do najmniej ważnej), a pięćdziesiąt pierwszych cech wykorzystano do dalszych eksperymentów. Dane zostały poddane normalizacji oraz standaryzacji, a następnie klasyfikowane przy użyciu pięciu różnych metod: naiwny klasyfikator Bayesa, maszyna wektorów wspierających, wielowarstwowe perceptrony, las losowy oraz klasyfikacji poprzez regresje. Najlepsze wyniki uzyskano dla danych na których przeprowadzono standaryzacje i poddano klasyfikacji za pomocą wielowarstwowych perceptronów. Taki algorytm postępowania pozwolił na uzyskanie wysokiej skuteczności klasyfikacji na poziomie 94,25%.