[논문 리뷰] An Effective Image Feature Classiffication using an improved SOM

Mohammed M. Abdelsamea, Marghny H. Mohamed외 1명|arXiv (Cornell University)|2015. 01. 08.

Image Processing Techniques and Applications참고 문헌 7인용 수 5

한 줄 요약

이 논문은 무늬 특징을 사용하여 효과적인 유방 조영 사진 분류를 위한 향상된 자기조직화 맵(iSOM)을 제안한다. 클래스 신뢰도 추적 기능을 갖춘 노드 구조와 투표 기반 제약된 가중치 업데이트 규칙을 도입함으로써, 고전적 SOM 및 기타 최신 기술과 비교해 분류 정확도와 학습 효율성을 향상시켰으며, 25×25 맵에서 최대 100% 정밀도를 달성하였다.

ABSTRACT

Image feature classification is a challenging problem in many computer vision applications, specifically, in the fields of remote sensing, image analysis and pattern recognition. In this paper, a novel Self Organizing Map, termed improved SOM (iSOM), is proposed with the aim of effectively classifying Mammographic images based on their texture feature representation. The main contribution of the iSOM is to introduce a new node structure for the map representation and adopting a learning technique based on Kohonen SOM accordingly. The main idea is to control, in an unsupervised fashion, the weight updating procedure depending on the class reliability of the node, during the weight update time. Experiments held on a real Mammographic images. Results showed high accuracy compared to classical SOM and other state-of-art classifiers.

연구 동기 및 목표

• 노이즈가 많은 실세계 의료 영상, 특히 유방 조영 영상에서 고전적 SOM의 불안정성과 낮은 정확도 문제를 해결하기 위해.
• SOM 학습 과정에 클래스 신뢰도를 통합하여 토폴로지 유지 및 분류 성능을 향상시키기 위해.
• 노드의 클래스 신뢰도 기반 제약된 가중치 업데이트를 통해 학습 시간과 메모리 소비를 감소시키기 위해.
• 유방 조영 영상 데이터셋에서 고전적 SOM 및 기타 최신 기술 분류기보다 정밀도, 재현율, F-스코어 측면에서 승리하기 위해.

제안 방법

• 승자 빈도 기반으로 각 노드의 신뢰도를 추적하는 클래스 카운터를 유지하는 SOM의 새로운 노드 구조를 제안한다.
• 승자 노드와 동일한 최대 클래스 카운터를 가진 노드들만 업데이트하는 투표 기반 학습 규칙을 도입한다.
• 가장 신뢰도가 높은 노드들로만 이웃 영역을 제한함으로써 업데이트 수를 줄이는 제약된 가중치 업데이트 절차를 적용한다.
• 무늬 특징을 추출하기 위해 회색 수준 공존 행렬을 사용하는 블록 단위의 ROI 선택 방법을 적용하며, 파라미터로 SN=6, M=8, L=3를 사용한다.
• 평가를 위해 mini-MIAS 데이터셋에서 10겹 교차검증을 수행하고 표준 지표(정밀도, 재현율, F-스코어)를 사용한다.
• 적응형 이웃 영역 감쇠와 학습률을 갖춘 비지도, 토폴로지 유지 학습 알고리즘을 사용해 iSOM을 학습시킨다.

실험 결과

연구 질문

• RQ1 SOM 가중치 업데이트 과정에 클래스 신뢰도를 통합하면 노이즈가 많은 의료 영상 데이터에서 분류 정확도가 향상되는가?
• RQ2 제안된 제약된 업데이트 규칙은 성능을 유지하거나 향상시키면서도 학습 시간과 메모리 사용량을 줄이는가?
• RQ3 iSOM은 고전적 SOM 및 기타 최신 기술 분류기와 비교해 유방 조영 영상 분류에서 정밀도, 재현율, F-스코어 측면에서 어떻게 성과를 내는가?
• RQ4 더 효율적인 학습 덕분에 iSOM 모델은 더 작은 맵 크기에서도 높은 정확도를 달성할 수 있는가?

주요 결과

• 25×25 맵에서 iSOM은 100% 정밀도, 90.84% 재현율, 95.2% F-스코어를 기록하여 고전적 SOM을 크게 능가하였다.
• 20×20 맵에서는 iSOM이 97.87% 정밀도와 91.13% F-스코어를 기록했으며, 고전적 SOM은 98.18% 정밀도와 95.57% F-스코어를 기록하여 성능의 균형이 더 우수함을 보였다.
• 제약된 업데이트 규칙 덕분에 iSOM은 고전적 SOM보다 더 적은 수의 가중치 업데이트 연산을 필요로 하여 학습 시간과 메모리 사용량을 감소시켰다.
• 모든 테스트 설정에서 iSOM은 RBF(68.31% F-스코어), 나이브 베이즈(67.60% F-스코어), 백킹(78.87% F-스코어) 등 다른 분류기들보다 F-스코어에서 뛰어난 성능을 보였다.
• iSOM 모델는 특히 작은 맵 크기에서 매우 높은 강건성과 안정성을 보였으며, 고전적 SOM 대비 일관된 F-스코어 향상을 보였다.
• 제안된 방법은 mini-MIAS 데이터셋에서 최고의 성능을 기록하여, 클래스 신뢰도를 SOM 학습 메커니즘에 통합하는 것이 효과적임을 입증하였다.