Журнал клинических и медицинских наук

Абстрактный

Оценка эффективности современных методов извлечения текстурных признаков для задач медицинской визуализации

Самуэль Куси-Дуа*, Овед Аппиа, Питер Аппиахен

Цель: Интерпретация медицинских изображений, безусловно, является сложной задачей, требующей обширных знаний. Согласно Computer Aided Diagnosis (CAD), служит вторым мнением, которое поможет рентгенологам в диагностике, а с другой стороны, поиск изображений на основе контента использует визуальный контент, чтобы помочь пользователям просматривать, искать и извлекать похожие медицинские изображения из базы данных на основе интересов пользователя. Компетентность системы CBMIR зависит от методов извлечения признаков. Текстурные признаки очень важны для определения содержания медицинского изображения. Текстурные признаки обеспечивают глубину сцены, пространственное распределение тональных вариаций и ориентацию поверхности. Поэтому данное исследование направлено на сравнение и оценку некоторых методов извлечения текстурных признаков, созданных вручную в CBMIR. Это должно помочь тем, кто занимается улучшением систем CBIR, принимать обоснованные решения относительно выбора лучших методов извлечения текстурных признаков.

Подход: Поскольку нет четкого указания на то, какой из различных методов извлечения признаков текстуры лучше всего подходит для заданной метрики производительности при рассмотрении того, какой из методов выбрать для конкретного исследования в системах CBMIR, цель этой работы, таким образом, состоит в сравнительной оценке производительности следующих методов извлечения признаков текстуры; Локальный двоичный шаблон (LBP), фильтр Габора, Матрица совпадений уровней серого (GLCM), дескриптор Харалика, признаки из ускоренного теста сегментации (FAST) и признаки из ускоренного теста сегментации и двоичные надежные независимые элементарные признаки (FAST и BRIEF) с использованием метрик; точность, отзыв, F1-оценка, среднеквадратическая ошибка (MSE), точность и время. Эти методы сочетаются с определенной мерой сходства для получения результатов.

Результаты: Результаты показали, что LBP, дескриптор Харалика, FAST и GLCM показали наилучшие результаты с точки зрения (точности и достоверности), времени, оценки F1 и полноты соответственно. LBP показал 82,05% и 88,23% оценок точности и достоверности соответственно. Следующие оценки отражают производительность моделей дескриптора Харалика, FAST и GLCM соответственно; 0,88 с, 38,7% и 44,82%. Эти тестовые оценки получены из наборов данных в диапазоне от 1 k до 10,5 k.

Заключение: Помимо того, что LBP превзошла другие 5 упомянутых моделей, она все еще превзошла следующие предложенные модели. Текстурная характеристика Тамуры и вейвлет-преобразование в сочетании с расстоянием Хаусдорфа с точки зрения (точности, достоверности и полноты) и (точности и полноты) соответственно и, вероятно, F1-оценки (поскольку F1-оценка является средневзвешенным значением точности и полноты). Считается, что ансамбль LBP, дескрипторов Харалика и машины опорных векторов (SVM) может представлять собой надежную систему как для поиска, так и для классификации медицинских изображений.