[論文レビュー] Classification of histopathological breast cancer images using iterative VMD aided Zernike moments & textural signatures.

Subhankar Chattoraj, Karan Vishwakarma|arXiv (Cornell University)|Jan 15, 2018

AI in cancer detection参考文献 31被引用数 14

ひとこと要約

本稿では、画像を内在的モード関数（IMF）に分解する反復的変分モード分解（VMD）を用いた、新しい組織像的乳房がん分類手法を提案する。Zernikeモーメント、フラクタル次元、および複数のエントロピー特徴（Kapoor、Renyi、Yager）が抽出され、ReliefFを用いて特徴選択が行われ、最小二乗SVMで分類される。BreaKHisデータセットにおける3-foldおよび10-fold交差検証で、それぞれ89.61%および88.23%の精度を達成し、最先端手法を上回る性能を示した。

ABSTRACT

In this paper we present a novel method for an automated diagnosis of breast carcinoma through multilevel iterative variational mode decomposition (VMD) and textural features encompassing Zernaike moments, fractal dimension and entropy features namely, Kapoor entropy, Renyi entropy, Yager entropy features are extracted from VMD components. The proposed method considers the histopathological image as a set of multidimensional spatially-evolving signals. ReliefF algorithm is used to select the discriminatory features and statistically most significant features are fed to squares support vector machine (SVM) for classification. We evaluate the efficiency of the proposed methodology on publicly available Breakhis dataset containing 7,909 breast cancer histological images, collected from 82 patients, of both benign and malignant cases. Experimental results shows the efficacy of the proposed method in outperforming the state of the art while achieving an average classification rates of 89.61% and 88:23% using three-fold and ten-fold cross-validation strategies, respectively. This system can aid the pathologist in accurate and reliable diagnosis of biopsy samples. BreaKHis, a publicly dataset available at http://web.inf.ufpr.br/vri/breast-cancer-database.

研究の動機と目的

• 良性および悪性の乳房がん組織像の正確かつ自動的な分類の課題に対処すること。
• 多層的なVMDとテクスチャおよびエントロピーに基づく特徴を統合することで、手作業による特徴工学への依存を低減すること。
• BreaKHisデータセット（公に利用可能なベンチマーク）を用いて、既存の手法を上回る分類性能を向上させること。
• 統計的に有意で判別力のある特徴を用いて、病理医を支援する強固なCADxシステムを開発すること。

提案手法

• 本手法は、分析のための多次元的空間的変動信号として組織像を扱う。
• 反復的変分モード分解（VMD）を用いて、画像を複数の内在的モード関数（IMF）に分解し、マルチスケール特徴を抽出する。
• 各VMD成分から、Zernikeモーメント、フラクタル次元、および3つのエントロピー特徴（Kapoor、Renyi、Yager）を計算し、テクスチャの特徴として抽出する。
• ReliefFアルゴリズムを用いて、抽出された特徴集合から統計的に有意で判別力のある特徴を選択する。
• 選択された特徴は、径路基底関数（RBF）カーネルを用いた最小二乗サポートベクターマシン（LS-SVM）に供給され、2値分類が行われる。
• 性能評価は、82名の患者からなる7,909枚の画像を含むBreaKHisデータセットを用いた3-foldおよび10-fold交差検証によって実施される。

実験結果

リサーチクエスチョン

• RQ1 反復的VMDは、特徴抽出に適した情報豊富な成分に組織像的乳房がん画像を効果的に分解できるか？
• RQ2 Zernikeモーメントと複数のエントロピー特徴（Kapoor、Renyi、Yager）を組み合わせることで、従来のテクスチャ記述子よりも分類性能が向上するか？
• RQ3 ReliefF特徴選択手法は、高次元特徴集合から最も判別力のある特徴を特定することで、分類精度を向上させることができるか？
• RQ4 提案手法のLS-SVMベース分類器は、BreaKHisデータセットにおいて、最先端手法と比較して精度および頑健性の面で優れているか？
• RQ5 手作業によるテクスチャ特徴とVMDを統合することで、大規模な再トレーニングを要せず、この特定のデータセットではディープラーニングモデルを上回る性能を達成できるか？

主な発見

• 提案手法は、BreaKHisデータセットにおける3-fold交差検証を用いて平均分類精度89.61%を達成した。
• 10-fold交差検証では、分類精度が88.23%に達し、各fold間で一貫した性能を示した。
• 200倍拡大での最高精度は88.0%であり、この解像度で最適な特徴表現が得られたことを示している。
• LBP、GLCM、およびディープラーニング特徴を用いた複数の最先端手法を上回り、特に40倍および200倍拡大での性能が顕著に優れていた。
• Zernikeモーメントと併用された複数のエントロピー特徴（Kapoor、Renyi、Yager）が、良性および悪性クラス間の判別を著しく向上させた。
• 反復的VMDとLS-SVMを組み合わせ、ReliefFに基づく特徴選択を施したアプローチは、単独のテクスチャ記述子や従来の分類器よりも効果的であることが示された。