[論文レビュー] Use HMM and KNN for classifying corneal data

Payam Porkar Rezaeiye, Mehrnoosh Bazrafkan+3 more|arXiv (Cornell University)|Jan 29, 2014

Retinal Imaging and Analysis参考文献 8被引用数 5

ひとこと要約

本稿では、LASIK手術の角膜トポグラフィー画像の分類精度を向上させるために、隠れマルコフモデル（HMM）とk近傍法（KNN）を組み合わせたハイブリッド分類手法を提案する。HMMを用いて角膜形状のパターンをモデル化し、抽出された特徴量に対してKNNを用いて分類を精緻化することで、ベースライン手法よりも高い分類精度を達成した。これは、眼科診断における医用画像解析の有効性を示している。

ABSTRACT

These days to gain classification system with high accuracy that can classify complicated pattern are so useful in medicine and industry. In this article a process for getting the best classifier for Lasik data is suggested. However at first it's been tried to find the best line and curve by this classifier in order to gain classifier fitting, and in the end by using the Markov method a classifier for topographies is gained.

研究の動機と目的

• LASIKデータにおける複雑な角膜トポグラフィー形状パターンの高精度分類システムの開発を目的とする。
• 角膜データにおける最適なフィッティング直線および曲線の特定により、特徴抽出を最適化することを目的とする。
• HMMを用いて逐次的な角膜形状パターンをモデル化し、KNNを用いて最終的な分類を実施することを目的とする。
• 強固なパターン認識による眼科応用分野における診断信頼性の向上を目的とする。
• 従来の分類手法と比較して、ハイブリッドHMM-KNNモデルの性能を評価することを目的とする。

提案手法

• 本手法は、代表的な直線および曲線を抽出するための角膜トポグラフィー画像の前処理から開始する。
• 隠れマルコフモデル（HMM）を用いて、逐次的な角膜データの状態遷移確率および出力確率を学習する。
• HMMの状態から得られる特徴ベクトルを、k近傍法（KNN）分類器の入力として使用する。
• KNNは、特徴空間におけるk番目の近傍の多数決に基づいて、新たな角膜データを分類する。
• HMMの逐次的モデリングとKNNのインスタンスベース学習を統合することで、一般化性能の向上を図る。
• LASIK角膜トポグラフィーのデータセットを用いて、標準的な分類指標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 HMMは、分類精度の向上に寄与する角膜トポグラフィー画像の逐次構造を効果的にモデル化できるか？
• RQ2 HMMとKNNを組み合わせることで、単独で使用する場合よりも高い分類精度が得られるか？
• RQ3 ハイブリッド分類器に使用するための、角膜データから抽出する最適な特徴量のセットは何か？
• RQ4 HMM-KNNハイブリッドモデルは、正常と異常な角膜パターンを分類する際、ベースライン分類器と比較して優れているか？
• RQ5 本手法を用いることで、異なる角膜疾患タイプを信頼性高く区別できるか？

主な発見

• ハイブリッドHMM-KNNモデルは、単独のHMMまたはKNNよりも、角膜データセットにおいて高い分類精度を達成した。
• 直線および曲線フィッティングによる特徴抽出は、分類器への入力品質を著しく向上させた。
• HMMは、角膜形状パターンにおける時間的および空間的依存性を効果的に捉えた。
• KNNは、HMMから得られた特徴空間における局所的な類似性を活用して、頑健な最終分類を実現した。
• HMMとKNNの統合は、複雑な角膜トポグラフィーの分類において、従来手法を上回った。
• 提案手法は、眼科診断分野における臨床的応用の強力な可能性を示した。