[論文レビュー] Selection Mammogram Texture Descriptors Based on Statistics Properties Backpropagation Structure

Shofwatul Uyun, Sri Hartati+2 more|arXiv (Cornell University)|Jul 10, 2013

AI in cancer detection参考文献 4被引用数 6

ひとこと要約

本研究では、最初の2次統計とバックプロパゲーションに基づく多層パーセプトロン（MLP）学習を組み合わせた、マンモグラム解析のためのテクスチャ記述子選択フレームワークを提案する。この手法は、全方向（0°, 45°, 90°, 135°）における24個の2次テクスチャ記述子を評価し、収束が1,000エポック未満で達成される組み合わせを最適と特定し、乳がん検出のためのCADシステムで最高の分類精度を達成した。

ABSTRACT

Computer Aided Diagnosis (CAD) system has been developed for the early detection of breast cancer, one of the most deadly cancer for women. The benign of mammogram has different texture from malignant. There are fifty mammogram images used in this work which are divided for training and testing. Therefore, the selection of the right texture to determine the level of accuracy of CAD system is important. The first and second order statistics are the texture feature extraction methods which can be used on a mammogram. This work classifies texture descriptor into nine groups where the extraction of features is classified using backpropagation learning with two types of multi-layer perceptron (MLP). The best texture descriptor as selected when the value of regression 1 appears in both the MLP-1 and the MLP-2 with the number of epoches less than 1000. The results of testing show that the best selected texture descriptor is the second order (combination) using all direction (0, 45, 90 and 135) that have twenty four descriptors.

研究の動機と目的

• マンモグラム画像からの最適なテクスチャ記述子の選択を通じて、早期乳がん検出のためのコンピュータ支援診断（CAD）システムの精度を向上させること。
• 良性と悪性のマンモグラムを区別するための、1次および2次統計的テクスチャ特徴量の性能を評価すること。
• 多層パーセプトロン（MLP）分類器を用いたバックプロパゲーション学習を通じて、最も効果的なテクスチャ記述子の構成を特定すること。
• 収束が1,000エポック未満で達成され、かつ分類性能を最大化する記述子セットを同定すること。
• 50枚のマンモグラム画像からなるデータセットを用いて、選択された記述子を検証すること。

提案手法

• マンモグラム画像から1次および2次統計的テクスチャ特徴量を抽出し、テクスチャパターンを表現する。
• 体系的な評価のため、テクスチャ記述子を9つのカテゴリに分類する。
• 良性および悪性の症例を分類するために、バックプロパゲーション学習を用いて2つの多層パーセプトロン（MLP）ネットワークを訓練する。
• 選択基準は、両方のMLP-1およびMLP-2で回帰1（最適性能）を達成し、1,000エポック未満の訓練エポック数で実現する記述子を優先する。
• 2次テクスチャ記述子は4方向（0°, 45°, 90°, 135°）で計算され、合計24個の組み合わせ記述子が得られる。
• 収束速度と分類精度に基づいて、50枚の画像データセットを用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 マンモグラム解析において、1次記述子と2次記述子のどちらがより優れた分類性能を示すか？
• RQ2 悪性と良性のマンモグラムを区別するための方向性テクスチャ特徴量（0°, 45°, 90°, 135°）の最適な構成は何か？
• RQ3 選択されたテクスチャ記述子を用いたバックプロパゲーションに基づくMLP分類器は、1,000エポック未満の訓練エポック数で高い精度を達成できるか？
• RQ4 どの特定のテクスチャ記述子セットが収束速度と分類性能のバランスを最も良く実現するか？
• RQ5 単一方向特徴量と比較して、複数方向記述子の組み合わせは診断精度においてどのように異なるか？

主な発見

• 全4方向（0°, 45°, 90°, 135°）で計算された2次テクスチャ記述子が最も効果的であると特定され、24個の異なる記述子が得られた。
• この組み合わせ記述子セットは、MLP-1およびMLP-2の両方で回帰1を達成し、最適な分類性能を示した。
• 選択された記述子構成は1,000エポック未満で収束し、効率性と正確性の主な基準を満たした。
• 統計的性質に基づくテクスチャ特徴量とバックプロパゲーション学習を用いた特徴選択により、CADシステムの性能が著しく向上した。
• 結果から、方向性テクスチャの組み合わせが単一方向または1次特徴量よりも顕著に分類精度を向上させることを示した。
• 本研究は、2次統計と多方向分析を組み合わせた手法が、マンモグラム分類タスクにおいて他の記述子タイプを上回ることを確認した。