KONSTRUKCJA WEKTORA CECH W DIAGNOSTYCE SARKOIDOZY NA PODSTAWIE ANALIZY FRAKTALNEJ OBRAZÓW CT KLATKI PIERSIOWEJ
Zbigniew Omiotek
z.omiotek@pollub.plPolitechnika Lubelska, Instytut Elektroniki i Technik Informacyjnych (Polska)
http://orcid.org/0000-0002-6614-7799
Paweł Prokop
Politechnika Lubelska (Polska)
http://orcid.org/0000-0002-3078-8287
Abstrakt
Przeprowadzono analizę obrazów CT górnej części tułowia pacjentów. Zbiór danych zawierał klasę pacjentów zdrowych i 3 klasy przypadków dotkniętych sarkoidozą. Był to stan obejmujący tylko tchawicę – Sick(1), stan obejmujący tchawicę i miąższ płucny – Sick(2) i stan obejmujący tylko miąższ płucny – Sick(3). Na podstawie analizy fraktalnej oraz selekcji cech metodą liniowej regresji krokowej otrzymano 4 deskryptory, które później wykorzystano w procesie klasyfikacji. Były to 2 wymiary fraktalne obliczone za pomocą metod variation i box counting, lakunarność obliczona również za pomocą metody box counting oraz parametr intercept obliczony za pomocą metody widmowej gęstości mocy. W wyniku analizy obrazu szarego otrzymano 2 deskryptory, a 2 kolejne były efektem analizy obrazu binarnego. Skuteczność deskryptorów zweryfikowano za pomocą 8 popularnych metod klasyfikacji. W procesie testowania klasyfikatorów, ogólna dokładność klasyfikacji wyniosła 90,97%, a przypadki zdrowe wykryto z dokładnością 100%. Z kolei, dokładność rozpoznania przypadków chorych była następująca: Sick(1) – 92,50%, Sick(2) – 87,50% i Sick(3) – 90,00%. W procesie klasyfikacji, najlepsze wyniki uzyskano za pomocą maszyny wektorów nośnych i naiwnego klasyfikatora Bayesa. Wyniki badań pokazały wysoką skuteczność analizy fraktalnej jako narzędzia do ekstrakcji wektora cech w komputerowej diagnostyce sarkoidozy.
Słowa kluczowe:
fraktale, sarkoidoza, tomografia komputerowa, analiza tekstury obrazuBibliografia
Arkema E. V., Cozier Y. C.: Epidemiology of sarcoidosis: current findings and future directions. Ther Adv Chronic Dis 9(11)/2018, 227–240.
Google Scholar
Baughman R. P., Culver D. A., Judson, M. A.: A Concise Review of Pulmonary Sarcoidosis. Am J Respir Crit Care Med 183/2011, 573–581.
Google Scholar
Bradley D., Roth G.: Adaptive Thresholding Using the Integral Image. http://www.scs.carleton.ca/~roth/iit-publications-iti/docs/gerh-50002.pdf (available: 19.05.2019).
Google Scholar
Breiman L.: Bagging Predictors. Mach Learn 24/1996, 123–140.
Google Scholar
Breiman L.: Random Forests. Mach Learn 45/2001, 5–32.
Google Scholar
Breiman L., Friedman J., Olshen R., et al.: Classification and Regression Trees. CRC Press, London 1984.
Google Scholar
Bonifazi M., Gasparini S., Alfieri V., Renzoni E. A.: Pulmonary Sarcoidosis. Semin Respir Crit Care Med 38/2017, 437–449.
Google Scholar
Clarke K. C.: Computation of the fractal dimension of topographic surfaces using the triangular prism surface area method. Comp Geosci 12/1986, 713–722.
Google Scholar
Criado E., Sánchez M., Ramírez J., Arguis P., de Caralt T. M., Perea R. J., et al.: Pulmonary Sarcoidosis: Typical and Atypical Manifestations at High-Resolution CT with Pathologic Correlation. RadioGraphics 30/2010, 1567–1586 [DOI: 10.1148/rg.306105512].
Google Scholar
Dennis T. J., Dessipris N. G.: Fractal modelling in image texture analysis. IEEE Proc.-F. 136/1989, 227–235.
Google Scholar
Enas G. G., Chai S. C.: Choice of the smoothing parameter and efficiency of the k-nearest neighbor classification. Comput Math Appl 12/1986, 235–244.
Google Scholar
Freund Y., Schapire R. E.: A decision-theoretic generalization of on-line learning and an application to boosting. J Comput Syst Sci Int 55/1996, 119–139.
Google Scholar
Gneiting T., Sevcikova H., Percival D.: Estimators of Fractal Dimension: Assessing the Roughness of Time Series and Spatial Data. Statistical Science 27(2)/2012, 247–277.
Google Scholar
Hothorn T., Lausen B.: Bundling classifiers by bagging trees. Comput Stat Data An 49(4)/2005, 1068–1078.
Google Scholar
Iftekharuddin K. M., Jia W., Marsh R.: Fractal analysis of tumor in brain MR images. Mach Vision Appl 13(5-6)/2003, 352–362.
Google Scholar
Liao S. H., Chu P. H., Hsiao P. Y.: Data mining techniques and applications – A decade review from 2000 to 2011. Expert Syst Appl 39/2012, 11303–11311.
Google Scholar
Mandelbrot B.: The fractal geometry of nature. W. H. Freeman and Company, New York, (1983).
Google Scholar
Omiotek Z.: Improvement of the classification quality in detection of Hashimoto’s disease with a combined classifier approach. P I Mech Eng H 231(8)/2017, 774–782.
Google Scholar
Omiotek Z.: Fractal analysis of the grey and binary images in diagnosis of Hashimoto’s thyroiditis. Biocybern Biomed Eng 37(4)/2017, 655–665.
Google Scholar
Omiotek Z., Wójcik W.: Zastosowanie metody Hellwiga do redukcji wymiaru przestrzeni cech obrazów USG tarczycy. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOS 3/2014, 14–17 [DOI: 10.5604/20830157.1121333].
Google Scholar
Omiotek Z., Wójcik W.: An efficient method for analyzing measurement results on the example of thyroid ultrasound images. Przeglad Elektrotechniczny 11/2016, 15–18.
Google Scholar
Omiotek Z., Stepanchenko O., Wójcik W., Legieć W., Szatkowska M.: The use of the Hellwig’s method for feature selection in the detection of myeloma bone destruction based on radiographic images. Biocybern Biomed Eng 39(2)/2019, 328–338.
Google Scholar
Otsu N.: A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics 9(1)/1979, 62–66.
Google Scholar
Plotnick R. E., Gardner R. H., O'Neil R. V.: Lacunarity indices as measures of landscape texture. Landsc Ecol 8(3)/1993, 201–211.
Google Scholar
Quinlan J. R.: Induction of decision trees. Mach Learn 1/1986, 81–106.
Google Scholar
Sawicki D., Omiotek Z.: Evaluation of the possibility of using fractal analysis to study the flame in the co-firing process. Proc. SPIE 10808/2018.
Google Scholar
Soto-Gomez N., Peters J. I., Nambiar A. M.: Diagnosis and Management of Sarcoidosis. American Family Physician 93(10)/2016, 840–848.
Google Scholar
Super B. J., Bovik A. C.: Localized measurement of image fractal dimension using Gabor filters. J Visual Commun Image Represent 2(2)/1991, 114–128.
Google Scholar
Venables W. N., Ripley B. D.: Modern Applied Statistics with S-PLUS. Springer, Berlin 1998.
Google Scholar
Zhu Z., Stein M.: Parameter estimation for fractional Brownian surfaces. Statistica Sinica 12/2002, 863–883.
Google Scholar
Autorzy
Zbigniew Omiotekz.omiotek@pollub.pl
Politechnika Lubelska, Instytut Elektroniki i Technik Informacyjnych Polska
http://orcid.org/0000-0002-6614-7799
Statystyki
Abstract views: 337PDF downloads: 155
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Inne teksty tego samego autora
- Zbigniew Omiotek, Waldemar Wójcik, ZASTOSOWANIE METODY HELLWIGA DO REDUKCJI WYMIARU PRZESTRZENI CECH OBRAZÓW USG TARCZYCY , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 4 Nr 3 (2014)
- Paweł Prokop, ZASTOSOWANIE METODY CHAN-VESE W SEGMENTACJI OBRAZÓW MEDYCZNYCH , Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska: Tom 5 Nr 4 (2015)