[論文レビュー] Challenge IEEE-ISBI/TCB : Application of Covariance matrices and wavelet marginals

Florian Yger|arXiv (Cornell University)|Oct 10, 2014

Face and Expression Recognition参考文献 9被引用数 13

ひとこと要約

本論文は、SVM分類器における画像特徴として共分散行列とウェーブレットマージナルを用いた骨粗鬆症診断手法を提案する。ウェーブレットマージナルが共分散に基づく特徴を上回ることを示し、限られたデータにおける過学習の低減と優れた汎化性能のおかげで、IEEE-ISBI 2014 Bone Texture Characterizationチャレンジで最高順位を達成した。

ABSTRACT

This short memo aims at explaining our approach for the challenge IEEE-ISBI on Bone Texture Characterization. In this work, we focus on the use of covariance matrices and wavelet marginals in an SVM classifier.

研究の動機と目的

• 単純でよく知られた特徴（共分散行列とウェーブレットマージナル）が、実世界の医療画像分類タスクにおいてどの程度の性能を示すかを評価すること。
• 視覚的に類似したテクスチャを示す骨粗鬆症と健康な骨レントゲン画像を区別する課題に取り組むこと。この分類は極めて困難である。
• 頑健な特徴抽出とリーマン幾何学的カーネル手法が、小規模データセットにおいて汎化性能を向上させ、過学習を低減できるかを調査すること。
• 競争的な環境下で、勾配ベースとガボールベースの共分散行列特徴とウェーブレットマージナル特徴の有効性を比較すること。

提案手法

• 各画素において局所的な画像特徴（勾配またはガボール応答）を計算し、共分散行列推定のための特徴ベクトルを構築した。
• 共分散行列計算における外れ値への耐性を高めるために、FastMCDを用いた最小共分散行列（MCD）推定器を用いた。
• 非ユークリッド的共分散行列空間を扱うために、リーマン平均を基準点としてリーマン幾何学を適用し、Log-Euclideanカーネルを用いた。
• 接空間近似を用いて、共分散行列間の類似度を正規化されたLog-Euclideanカーネルで計算した。
• SVMのハイパーパrameter Cのチューニングおよび各手法の最良バージョンの選定のために、1人を除いた交差検証（LOO）を実施した。
• IEEE-ISBI 2014チャレンジに3つの手法を提出した：Marginal-Haar、CmdMat-grad（勾配ベースの共分散）、CovMat-gab（ガボールベースの共分散）

実験結果

リサーチクエスチョン

• RQ1 共分散行列とウェーブレットマージナルは、レントゲン画像における骨粗鬆症骨組織の分類に有効かつ頑健な特徴として機能できるか？
• RQ2 特徴表現の選択（勾配 vs. ガボール）が、小規模で実世界のデータセットにおける分類性能にどのように影響するか？
• RQ3 リーマン幾何学とLog-Euclideanカーネルを用いることで、標準的なユークリッド手法と比較して汎化性能が向上するか？
• RQ4 低データ環境下で過学習が性能にどの程度悪影響を及ぼすか、そしてウェーブレットマージナルがこの問題を緩和できるか？
• RQ5 カーネルの基準点（単位行列 vs. リーマン平均）の選択が、分類器の幾何構造と性能にどのように影響するか？

主な発見

• Marginal-Haar手法は、チャレンジ主催者が用いた6つの基準すべてで最高順位（1位）を達成し、盲検テストデータで66%の感度と66%の特異度を示した。
• CmdMat-gradおよびCovMat-gab手法は著しく過学習しており、検証精度（83.22%および90.63%）と盲検テスト精度（77.59%および74.14%）の差が顕著に現れ、汎化性能が著しく低いことが示された。
• 検証精度が低くても、Marginal-Haar手法は検証精度とLOO交差検証精度の差が最小であり、過学習が少なく、より優れた汎化性能を示していることがわかった。
• カーネル基準点としてリーマン平均を使用したことで、Gaborベース手法のLOO精度が、単位行列を基準点とした場合の74.14%から90.63%に著しく向上した。
• ウェーブレットマージナルアプローチは、検証精度が低かったが、最終的な盲検評価では共分散ベース手法を上回り、過学習に対して頑健であることが示された。
• 結果から、低データ環境のコンテストでは、生の精度よりも特徴選択と汎化性能がより重要であることが示され、ウェーブレットマージナルは複雑な特徴工学の代替として有望であると考えられる。