[논문 리뷰] Ant Colony based Feature Selection Heuristics for Retinal Vessel Segmentation

Ahmed H. Asad, Ahmad Taher Azar외 2명|arXiv (Cornell University)|2014. 03. 07.

Retinal Imaging and Analysis인용 수 9

한 줄 요약

이 논문은 화소 단위 분류를 위한 14개 특징(5개의 회색 수준, 8개의 Hu 모멘트) 중 최적의 조합을 도출하기 위해 여섯 가지 특징 선택 히وري스틱—Relief, CFS, Fisher Score, Gini Index, SFS, SBS—을 평가하는 반달팽이 군집 시스템(ACS) 기반 망막 혈관 분할 프레임워크를 제안한다. Relief 히وري스틱이 가장 뛰어난 성능을 보였으며, DRIVE 데이터베이스에서 75.84%의 민감도, 93.88%의 특이도, 91.55%의 정확도를 기록하여 분류 성능 향상에 기여하는 분류 가능한 특징을 선별하는 데서 뛰어난 우수성을 입증한다.

ABSTRACT

Features selection is an essential step for successful data classification, since it reduces the data dimensionality by removing redundant features. Consequently, that minimizes the classification complexity and time in addition to maximizing its accuracy. In this article, a comparative study considering six features selection heuristics is conducted in order to select the best relevant features subset. The tested features vector consists of fourteen features that are computed for each pixel in the field of view of retinal images in the DRIVE database. The comparison is assessed in terms of sensitivity, specificity, and accuracy measurements of the recommended features subset resulted by each heuristic when applied with the ant colony system. Experimental results indicated that the features subset recommended by the relief heuristic outperformed the subsets recommended by the other experienced heuristics.

연구 동기 및 목표

• 각 화소당 14개 특징 벡터에서 가장 관련성이 높은 특징을 선별하여 망막 혈관 분할 정확도를 향상시키기 위해.
• 특징 선택을 통해 중복된 특징을 줄여 분류 복잡도와 시간을 감소시키기 위해.
• 반달팽이 군집 시스템(ACS) 알고리즘과 함께 여섯 가지 특징 선택 히وري스틱을 평가하고 비교하기 위해.
• 망막 영상 분석에서 민감도, 특이도, 총 정확도를 최대화하는 최적의 특징 조합을 식별하기 위해.

제안 방법

• 연구는 40장의 컬러 망막 영상(20장 훈련용, 20장 테스트용)을 포함한 DRIVE 망막 영상 데이터베이스를 사용하며, 각 영상의 시야 범위는 540픽셀 지름이다.
• 시야 범위 내 각 화소에 대해 14개의 특징을 계산한다: 녹색 채널의 회색 수준 기반 5개와 Hu 모멘트 불변량 기반 8개.
• 여섯 가지 특징 선택 히وري스틱—Relief, CFS, Fisher Score, Gini Index, SFS, SBS—을 적용하여 분류에 가장 적합한 6개 특징 조합을 식별한다.
• 반달팽이 군집 시스템(ACS) 알고리즘을 분류기로 사용하며, 각 히وري스틱이 선별한 특징 조합의 분할 성능을 평가한다.
• 성능는 전문가의 수작업 분할 결과를 기준으로 민감도(SN), 특이도(SP), 정확도(ACC)로 측정된다.
• 모든 특징 조합을 표준 PC에서 계산한 시간을 기록하여 효율성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 반달팽이 군집 시스템과 조합했을 때 어떤 특징 선택 히وري스틱이 망막 혈관 분할에서 가장 높은 정확도를 보일까?
• RQ2 DRIVE 데이터베이스에서 다양한 특징 선택 히وري스틱은 민감도, 특이도, 정확도 측면에서 어떻게 비교될 수 있을까?
• RQ3 특징 조합의 크기와 구성은 분류 성능 및 계산 시간에 어떤 영향을 미칠까?
• RQ4 Relief 히وري스틱은 혈관/비혈관 분류를 위한 분류 가능한 특징을 선별하는 데서 일관되게 다른 히وري스틱들을 능가할 수 있을까?
• RQ5 다른 샘플링 전략을 사용한 이전 연구와 비교해, 선별된 특징 조합의 성능는 어떻게 다를까?

주요 결과

• Relief 히وري스틱이 가장 뛰어난 분할 성능을 보였으며, 민감도 75.84%, 특이도 93.88%, 정확도 91.55%를 기록하여 다른 모든 히وري스틱을 능가했다.
• CFS 히وري스틱은 두 번째로 높은 성능을 보였으며, 민감도 75.41%, 특이도 93.81%, 정확도 91.43%를 기록했으며, 이는 이전 연구에서 사용한 여덟 개 특징 조합보다 약간 뛰어났다.
• f5(회색 수준)와 Hu1(Hu 모멘트 불변량)는 여섯 히وري스틱 전부에서 공통적으로 나타나, 혈관 및 비혈관 화소를 구분하는 데 강력한 분류 능력을 지닌 것으로 나타났다.
• 모든 특징 조합의 계산 시간은 유사하게 88~92초 사이였으며, SFS와 SBS는 특징 수가 적어 가장 빠르게 처리되었다.
• Fisher Score와 Gini Index 히وري스틱은 더 많은 Hu 모멘트 특징을 포함하여 약간 더 오래 소요되었지만, 그 차이는 미미했다.
• 결과는 특징 선택이 중복을 줄이고 분류 능력을 향상시켜 분류 성능을 크게 향상시킨다는 점을 확인시켰다.