[論文レビュー] An Effective Image Feature Classiffication using an improved SOM

Mohammed M. Abdelsamea, Marghny H. Mohamed+1 more|arXiv (Cornell University)|Jan 8, 2015

Image Processing Techniques and Applications参考文献 7被引用数 5

ひとこと要約

本稿では、テクスチャ特徴を用いた効果的なマンモグラム画像分類のための改善型自己組織化マップ（iSOM）を提案する。ノード構造にクラス信頼性の追跡を導入し、投票に基づく制約付き重み更新ルールを採用することで、古典的SOMおよび他の最先端分類器と比較して分類精度と学習効率が向上し、25×25マップで最大100%の精度を達成した。

ABSTRACT

Image feature classification is a challenging problem in many computer vision applications, specifically, in the fields of remote sensing, image analysis and pattern recognition. In this paper, a novel Self Organizing Map, termed improved SOM (iSOM), is proposed with the aim of effectively classifying Mammographic images based on their texture feature representation. The main contribution of the iSOM is to introduce a new node structure for the map representation and adopting a learning technique based on Kohonen SOM accordingly. The main idea is to control, in an unsupervised fashion, the weight updating procedure depending on the class reliability of the node, during the weight update time. Experiments held on a real Mammographic images. Results showed high accuracy compared to classical SOM and other state-of-art classifiers.

研究の動機と目的

• ノイズの多い実世界の医療画像、特にマンモグラフィーにおいて古典的SOMの不安定さと低精度を解消すること。
• SOM学習プロセスにクラス信頼性を統合することで、トポロジー保存性と分類性能を向上させること。
• ノードのクラス信頼度に基づく制約付き重み更新により、学習時間とメモリ消費量を削減すること。
• マンモグラム画像データセットにおいて、古典的SOMおよび他の最先端分類器と比較して、精度、再現率、Fスコアの観点で優れた性能を発揮すること。

提案手法

• 勝者ノードの頻度に基づいて各ノードの信頼性を追跡するクラスカウンタを保持するSOMにおける新しいノード構造を提案する。
• 勝者ノードと同じ最大クラスカウンタを持つノードのみを更新する投票ベースの学習ルールを導入する。
• 最も信頼性の高いノードにのみ近傍を制限することで、更新回数を削減する制約付き重み更新手順を適用する。
• グレイレベリング共起行列を用いて、パラメータSN=6、M=8、L=3のブロックワイズROI選択法によりマンモグラム画像からテクスチャ特徴を抽出する。
• ミニ-miasデータセットでの評価に10分割交差検証と標準指標（精度、再現率、Fスコア）を用いる。
• 適応的近傍減衰と学習率を用いた非教師あり、トポロジー保存型学習アルゴリズムでiSOMを学習する。

実験結果

リサーチクエスチョン

• RQ1 SOMの重み更新プロセスにクラス信頼性を統合することで、ノイズの多い医療画像データにおける分類精度が向上するか？
• RQ2 提案された制約付き更新ルールは、性能を維持または向上させつつ、学習時間とメモリ使用量を削減するか？
• RQ3 iSOMは、古典的SOMおよび他の最先端分類器と比較して、マンモグラム画像分類における精度、再現率、Fスコアで優れた性能を示すか？
• RQ4 より効率的な学習により、iSOMモデルはより小さなマップサイズでも高い精度を達成できるか？

主な発見

• 25×25マップにおいて、iSOMは100%の精度、90.84%の再現率、95.2%のFスコアを達成し、古典的SOMを著しく上回った。
• 20×20マップでは、iSOMは97.87%の精度と91.13%のFスコアを達成したのに対し、古典的SOMは98.18%の精度と95.57%のFスコアを記録した。これは、性能のバランスに優れたことを示している。
• 制約付き更新ルールのおかげで、iSOMは古典的SOMよりも少ない重み更新操作回数で学習を完了したため、学習時間とメモリ使用量が削減された。
• iSOMは、RBF（68.31%のFスコア）、ナイーブベイズ（67.60%のFスコア）、バギング（78.87%のFスコア）といった他の分類器と比較して、すべてのテスト設定でFスコアで優れた性能を示した。
• iSOMモデルは、特に小さなマップサイズでも高いロバスト性と安定性を示し、古典的SOMよりも一貫したFスコアの向上を実現した。
• 提案手法はミニ-miasデータセットにおいて最高の性能を達成し、SOM学習メカニズムにクラス信頼性を統合することの有効性を裏付けた。