[論文レビュー] Soft Set Based Feature Selection Approach for Lung Cancer Images

G. Jothi, H. Hannah Inbarani|arXiv (Cornell University)|Dec 21, 2012

Rough Sets and Fuzzy Logic被引用数 7

ひとこと要約

本論文では、CT画像を用いた肺がん診断のための非教師ありソフトセットベース特徴選択手法、SSUSQRを提案する。GLCMおよびGLDMを用いて19のテクスチャ特徴を抽出し、ソフトセット理論を用いて最適な特徴サブセットを同定することで、冗長性を著しく低減し、K-MeansおよびSOMとの比較においてクラスタリング性能を向上させる。

ABSTRACT

Lung cancer is the deadliest type of cancer for both men and women. Feature selection plays a vital role in cancer classification. This paper investigates the feature selection process in Computed Tomographic (CT) lung cancer images using soft set theory. We propose a new soft set based unsupervised feature selection algorithm. Nineteen features are extracted from the segmented lung images using gray level co-occurence matrix (GLCM) and gray level different matrix (GLDM). In this paper, an efficient Unsupervised Soft Set based Quick Reduct (SSUSQR) algorithm is presented. This method is used to select features from the data set and compared with existing rough set based unsupervised feature selection methods. Then K-Means and Self Organizing Map (SOM) clustering algorithms are used to cluster the data. The performance of the feature selection algorithms is evaluated based on performance of clustering techniques. The results show that the proposed method effectively removes redundant features.

研究の動機と目的

• 肺がんCT画像解析における高次元的で冗長な特徴の課題に対処すること。
• セグメンテーション処理を施した肺画像からの情報量の多いテクスチャ特徴の選択により分類精度を向上させること。
• 医療画像解析のためのソフトセット理論に基づく非教師あり特徴選択アルゴリズムの開発。
• クラスタリング性能を特徴品質の代理指標として用いて、提案手法の有効性を評価すること。

提案手法

• グレイレベルコ-occurrenceマトリクス（GLCM）およびグレイレベル差分マトリクス（GLDM）を用いて、セグメンテーション処理を施した肺CT画像から19のテクスチャ特徴を抽出した。
• 最小で最適な特徴サブセットを同定するための非教師ありソフトセットベースのクイックリダクション（SSUSQR）アルゴリズムを提案した。
• ソフトセット理論を用いて特徴間の不確実性および依存関係をモデル化し、効率的なリダクション計算を可能にした。
• K-Meansおよび自己組織化マップ（SOM）を用いて、選択された特徴の品質を評価した。
• SSUSQRの性能を、既存のリッジセットベースの非教師あり特徴選択手法と比較した。
• クラスタリング精度および凝集性に基づいて、特徴選択の有効性を評価した。

実験結果

リサーチクエスチョン

• RQ1 ソフトセット理論は、冗長性を最小限に抑えるとともに、肺CT画像における関連する特徴を効果的に同定できるか？
• RQ2 本研究で提案するSSUSQRアルゴリズムは、医療画像の非教師あり特徴選択において、リッジセットベースの手法と比較してどのように異なるか？
• RQ3 ソフトセットを用いた特徴選択は、K-MeansおよびSOMのようなクラスタリングアルゴリズムの性能を、肺がん画像解析において向上させるか？
• RQ4 高次元的肺CT画像データにおけるクラスタリング品質に、特徴の低減がどのように影響を与えるか？
• RQ5 提案手法は、ラベルなしデータを必要とせずに、一貫して情報量の多いテクスチャ特徴を同定できるか？

主な発見

• 提案されたSSUSQRアルゴリズムは、ソフトセット理論を用いることで、肺CT画像における特徴の冗長性を効果的に低減した。
• 選択された特徴サブセットは、K-Meansおよび自己組織化マップ（SOM）アルゴリズムの両方において、改善されたクラスタリング性能をもたらした。
• クラスタリング精度および凝集性の観点から、既存のリッジセットベースの非教師あり特徴選択手法を上回った。
• ソフトセットの使用により、テクスチャ特徴間の不確実性および依存関係の効果的処理が可能になった。
• 結果から、ソフトセットに基づく特徴選択は、非教師あり医療画像解析における実用的で効果的な代替手法であることが示された。
• より少ない特徴でより良いクラスタリング結果が得られたことから、特徴の関連性が向上し、ノイズが低減されたことが示された。