[論文レビュー] Ant Colony based Feature Selection Heuristics for Retinal Vessel Segmentation

Ahmed H. Asad, Ahmad Taher Azar+2 more|arXiv (Cornell University)|Mar 7, 2014

Retinal Imaging and Analysis被引用数 9

ひとこと要約

本稿では、1ピクセルあたり14の特徴（5つのグレーレベル、8つのHuモーメント）のうち、最適な特徴サブセットを特定するための、アンチコロニー系（ACS）に基づく網膜血管分離フレームワークを提案する。6つの特徴選択ヒューリスティクス（Relief、CFS、Fisherスコア、ジニインデックス、SFS、SBS）を評価し、ピクセル単位分類のための最適な特徴サブセットを特定した。Reliefヒューリスティクスが他の手法を上回り、DRIVEデータベースで75.84％の感度、93.88％の特異度、91.55％の正答率を達成し、分類性能の向上に寄与する判別能の高い特徴選択の優位性を示した。

ABSTRACT

Features selection is an essential step for successful data classification, since it reduces the data dimensionality by removing redundant features. Consequently, that minimizes the classification complexity and time in addition to maximizing its accuracy. In this article, a comparative study considering six features selection heuristics is conducted in order to select the best relevant features subset. The tested features vector consists of fourteen features that are computed for each pixel in the field of view of retinal images in the DRIVE database. The comparison is assessed in terms of sensitivity, specificity, and accuracy measurements of the recommended features subset resulted by each heuristic when applied with the ant colony system. Experimental results indicated that the features subset recommended by the relief heuristic outperformed the subsets recommended by the other experienced heuristics.

研究の動機と目的

• ピクセルごとの14特徴ベクトルから最も関連性の高い特徴を選択することで、網膜血管分離の精度を向上させること。
• 特徴選択による冗長な特徴の削減により、分類の複雑さと処理時間を低減すること。
• アンチコロニー系（ACS）アルゴリズムと併用した6つの特徴選択ヒューリスティクスの評価と比較を通し、血管分離のための最適な特徴サブセットを同定すること。
• 網膜画像解析における感度、特異度、全体の正答率を最大化する最適な特徴サブセットを特定すること。

提案手法

• 研究では、40枚のカラー網膜画像（20枚の学習用、20枚のテスト用）を含むDRIVE網膜画像データベースを用いる。各画像の視野（FOV）は540ピクセルの直径を持つ。
• FOV内の各ピクセルに対して、5つのグリーンチャンネルのグレーレベルに基づく特徴と、8つのHuモーメント不変量に基づく特徴を合計14個計算する。
• 6つの特徴選択ヒューリスティクス（Relief、CFS、Fisherスコア、ジニインデックス、SFS、SBS）を適用し、分類に最適な6特徴サブセットを同定する。
• 分類器としてアンチコロニー系（ACS）アルゴリズムを用い、各ヒューリスティクスが選択した特徴サブセットの分離性能を評価する。
• 性能は、熟練医師による手動セグメンテーションを基準として、感度（SN）、特異度（SP）、正答率（ACC）で測定する。
• すべてのサブセットを標準PCで処理したため、計算時間も記録し、効率性を評価した。

実験結果

リサーチクエスチョン

• RQ1 アンチコロニー系と組み合わせた場合、どの特徴選択ヒューリスティクスが網膜血管分離において最高の分離正答率を達成するか？
• RQ2 DRIVEデータベースにおいて、異なる特徴選択ヒューリスティクスの感度、特異度、正答率はどのように比較されるか？
• RQ3 特徴サブセットのサイズと構成は、分類性能と計算時間にどのような影響を及ぼすか？
• RQ4 Reliefヒューリスティクスは、血管／非血管ピクセル分類のための判別能の高い特徴を一貫して優れて選択できるか？
• RQ5 異なるサンプリング戦略を用いた先行研究と比較して、選択された特徴サブセットの性能はどのように異なるか？

主な発見

• Reliefヒューリスティクスが最も優れた分離性能を示し、75.84％の感度、93.88％の特異度、91.55％の正答率を達成し、他のすべてのヒューリスティクスを上回った。
• CFSヒューリスティクスが2番目に優れた性能を示し、75.41％の感度、93.81％の特異度、91.43％の正答率を達成し、以前の研究で使用された8特徴サブセットよりもわずかに優れていた。
• f5（グレーレベル）とHu1（Huモーメント不変量）は、6つのすべてのヒューリスティクスに共通して含まれており、血管ピクセルと非血管ピクセルを識別する上で強い判別力を持つことが示された。
• すべての特徴サブセットの計算時間は類似しており、88〜92秒の範囲に収まっており、SFSおよびSBSが特徴数が少ないため最も速かった。
• Fisherスコアおよびジニインデックスヒューリスティクスは、より多くのHuモーメント特徴を含むため、わずかに長い計算時間を要したが、差は最小限であった。
• 結果から、特徴選択により冗長性が低減され、判別力が向上することで分類性能が顕著に改善されることが確認された。