WPŁYW ANALIZY GŁÓWNYCH SKŁADOWYCH CECH TEKSTURY NA JAKOŚĆ KLASYFIKACJI OBRAZÓW TKANKI GĄBCZASTEJ
Róża Dzierżak
r.dzierzak@pollub.plPolitechnika Lubelska (Polska)
http://orcid.org/0000-0001-5640-0204
Abstrakt
Celem niniejszego artykułu było określenie wpływu analizy głównych składowych na wyniki klasyfikacji obrazów tkanki gąbczastej. Do analiz wykorzystano czterysta obrazów tomografii komputerowej kręgosłupa (kręg L1). Obrazy pochodziły od pięćdziesięciu zdrowych pacjentów oraz pięćdziesięciu pacjentów ze zdiagnozowaną osteoporozą. Uzyskane próbki obrazowe tkanki o wymiarze 50x50 pikseli poddano analizie tekstury. W wyniku tego 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. Pięćdziesiąt pierwszych cech z rankingu wykorzystano do dalszych eksperymentów. Dane zostały poddane analizie głównych składowych wskutek czego uzyskano zbiór sześciu nowych cech. Następnie oba zbiory (50 i 6 cech) zostały poddane klasyfikacji przy użyciu pięciu różnych metod: naiwnego klasyfikatora Bayesa, wielowarstwowych perceptronów, Hoeffding Tree, 1-Nearest Neighbour and Random Forest. Najlepsze wyniki uzyskano dla danych, na których przeprowadzono analizę głównych składowych i poddano klasyfikacji za pomocą 1-Nearest Neighbour. Taki algorytm postępowania pozwolił na uzyskanie wysokiej wartości parametrów TPR oraz PPV, równych 97,5%. W przypadku pozostałych klasyfikatorów zastosowanie analizy głównych składowych pogorszyło wyniki średnio o 2%.
Słowa kluczowe:
analiza głównych składowych, klasyfikacja, analiza tekstury, obrazowanie medyczneBibliografia
Armi L., Fekri-Ershad S.: Texture image analysis and texture classification methods – a review. International Online Journal of Image Processing and Pattern Recognition 2/2019, 1–29.
Google Scholar
Bharati M. H., Liu J. J., MacGregor J. F.: Image texture analysis: methods and comparisons. Chemometrics and Intelligent Laboratory Systems 72/ 2004, 57–71, [http://doi.org/10.1016/j.chemolab.2004.02.005].
DOI: https://doi.org/10.1016/j.chemolab.2004.02.005
Google Scholar
Bishop C. M.: Pattern Recognition and Machine Learning. Springer, New York, 2006.
Google Scholar
Haralick R. M.: Statistical and structural approaches to texture. Proceedings of the IEEE 67/1979, 786–804, [http://doi.org/10.1109/PROC.1979.11328].
DOI: https://doi.org/10.1109/PROC.1979.11328
Google Scholar
Haralick R. M., Shanmugam K., Dinstein I.: Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics SMC-3, 1973, 610–621, [http://doi.org/10.1109/TSMC.1973.4309314].
DOI: https://doi.org/10.1109/TSMC.1973.4309314
Google Scholar
Humeau-Heurtier A.: Texture Feature Extraction Methods: A Survey. IEEE Access 7, 2019, 8975–9000, [http://doi.org/10.1109/ACCESS.2018.2890743].
DOI: https://doi.org/10.1109/ACCESS.2018.2890743
Google Scholar
Jain D., Singh V.: Feature selection and classification systems for chronic disease prediction: A review. Egyptian Informatics Journal 19/ 2018, 179–189, [http://doi.org/10.1016/j.eij.2018.03.002].
DOI: https://doi.org/10.1016/j.eij.2018.03.002
Google Scholar
Jolliffe I. T., Cadima J.: Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences 374/2016, [http://doi.org/10.1098/rsta.2015.0202].
DOI: https://doi.org/10.1098/rsta.2015.0202
Google Scholar
Lever J., Krzywinski M., Altman N.: Principal component analysis. Nature Methods 14/ 2017, 641–642, [http://doi.org/10.1038/nmeth.4346].
DOI: https://doi.org/10.1038/nmeth.4346
Google Scholar
Liu B., Yu X., Zhang P., Yu A., Fu Q., Wei X.: Supervised Deep Feature Extraction for Hyperspectral Image Classification. IEEE Transactions on Geoscience and Remote Sensing 56, 2018, 1909–1921, [http://doi.org/10.1109/TGRS.2017.2769673].
DOI: https://doi.org/10.1109/TGRS.2017.2769673
Google Scholar
Omiotek Z.: Automatyczna klasyfikacja obrazów USG tarczycy. Rozprawa doktorska. Politechnika Lubelska, Lublin 2014.
Google Scholar
Oprogramowanie Program MaZda (available 03.07.2020).
Google Scholar
Shahabaz, Somwanshi D. K., Yadav A. K., Roy R.: Medical images texture analysis: A review. International Conference on Computer, Communications and Electronics (Comptelix) 2017,[http://doi.org/10.1109/COMPTELIX.2017.8004009].
DOI: https://doi.org/10.1109/COMPTELIX.2017.8004009
Google Scholar
Shang Z., Li M.: Combined Feature Extraction and Selection in Texture Analysis. 9th International Symposium on Computational Intelligence and Design (ISCID)Presented at the 2016 9th International Symposium on Computational Intelligence and Design (ISCID) 2016, 398–401, [http://doi.org/10.1109/ISCID.2016.1098].
DOI: https://doi.org/10.1109/ISCID.2016.1098
Google Scholar
Autorzy
Róża Dzierżakr.dzierzak@pollub.pl
Politechnika Lubelska Polska
http://orcid.org/0000-0001-5640-0204
Statystyki
Abstract views: 340PDF downloads: 209
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Róża Dzierżak, PORÓWNANIE WPŁYWU STANDARYZACJI I NORMALIZACJI DANYCH NA SKUTECZNOŚĆ KLASYFIKACJI TEKSTURY TKANKI GĄBCZASTEJ KRĘGOSŁUPA , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 9 Nr 3 (2019)
- Róża Dzierżak, Magdalena Michalska, ANALIZA SKUTECZNOŚCI WYBRANYCH METOD SEGMENTACJI STRUKTUR ANATOMICZNYCH MÓZGU , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 8 Nr 2 (2018)
