[논문 리뷰] Classification of histopathological breast cancer images using iterative VMD aided Zernike moments & textural signatures.

Subhankar Chattoraj, Karan Vishwakarma|arXiv (Cornell University)|2018. 01. 15.

AI in cancer detection참고 문헌 31인용 수 14

한 줄 요약

이 논문은 이미지를 내재 모드 함수로 분해하기 위해 반복적 변분 모드 분해(Iterative VMD)를 사용하는 새로운 조직병리학적 유방암 분류 방법을 제안한다. 여기서 Zernike 모멘트, 프랙탈 차원, 그리고 다수의 엔트로피 특징(Kapoor, Renyi, Yager)이 추출된다. 이 특징들은 ReliefF를 통해 선택되고, 최소 제곱 서포트 벡터 머신(LS-SVM)을 사용하여 분류되며, BreaKHis 데이터셋에서 3-fold 및 10-fold 교차 검증 시 각각 89.61% 및 88.23%의 정확도를 기록하여 최신 기법들을 능가한다.

ABSTRACT

In this paper we present a novel method for an automated diagnosis of breast carcinoma through multilevel iterative variational mode decomposition (VMD) and textural features encompassing Zernaike moments, fractal dimension and entropy features namely, Kapoor entropy, Renyi entropy, Yager entropy features are extracted from VMD components. The proposed method considers the histopathological image as a set of multidimensional spatially-evolving signals. ReliefF algorithm is used to select the discriminatory features and statistically most significant features are fed to squares support vector machine (SVM) for classification. We evaluate the efficiency of the proposed methodology on publicly available Breakhis dataset containing 7,909 breast cancer histological images, collected from 82 patients, of both benign and malignant cases. Experimental results shows the efficacy of the proposed method in outperforming the state of the art while achieving an average classification rates of 89.61% and 88:23% using three-fold and ten-fold cross-validation strategies, respectively. This system can aid the pathologist in accurate and reliable diagnosis of biopsy samples. BreaKHis, a publicly dataset available at http://web.inf.ufpr.br/vri/breast-cancer-database.

연구 동기 및 목표

• 유방암 조직병리학 영상에서 양성 및 악성의 정확하고 자동화된 분류 문제를 해결하기 위해.
• 다중 수준의 VMD와 무늬 및 엔트로피 기반 특징을 통합하여 수작업 특징 공학에 대한 의존도를 줄이기 위해.
• 공개된 기준 데이터셋인 BreaKHis를 사용하여 기존 방법보다 분류 성능을 향상시키기 위해.
• 통계적으로 유의미하고 구분력 있는 특징을 사용하여 병리의사 보조 CADx 시스템을 구축하기 위해.

제안 방법

• 이 방법은 조직병리학적 영상을 분석을 위해 다차원 공간적 변화 신호로 간주한다.
• 반복적 변분 모드 분해(VMD)를 적용하여 영상을 다수의 내재 모드 함수(IMF)로 분해함으로써 다중 척도 특징을 추출한다.
• 각 VMD 구성요소에서 Zernike 모멘트, 프랙탈 차원, 그리고 세 가지 엔트로피 특징(Kapoor, Renyi, Yager)을 계산하여 무늬 서명을 도출한다.
• ReliefF 알고리즘을 사용하여 추출된 특징 집합에서 통계적으로 유의미하고 구분력 있는 특징을 선별한다.
• 선택된 특징들은 라디얼 기저 함수(RBF) 커널을 사용한 최소 제곱 서포트 벡터 머신(LS-SVM)에 입력되어 이元 분류를 수행한다.
• 성능 평가는 82명의 환자로부터 온 7,909장의 영상이 포함된 BreaKHis 데이터셋에서 3-fold 및 10-fold 교차 검증을 통해 수행된다.

실험 결과

연구 질문

• RQ1 반복적 VMD는 조직병리학적 유방암 영상의 특징 추출을 위한 정보성 있는 구성요소로 효과적으로 분해할 수 있는가?
• RQ2 Zernike 모멘트와 다중 엔트로피 특징(Kapoor, Renyi, Yager)을 조합하면 전통적인 무늬 기반 기술자보다 분류 성능을 향상시킬 수 있는가?
• RQ3 ReliefF 특징 선택 방법은 고차원 특징 집합에서 가장 구분력 있는 특징을 식별하여 분류 정확도를 향상시킬 수 있는가?
• RQ4 제안된 LS-SVM 기반 분류기는 BreaKHis 데이터셋에서 최신 기법들과 비교해 정확도 및 강건성 측면에서 어떻게 성능을 내는가?
• RQ5 수작업 특징 기반의 무늬 특징과 VMD를 통합하면, 광범위한 재학습이 필요 없이 이 특정 데이터셋에서 딥러닝 모델을 능가할 수 있는가?

주요 결과

• 제안된 방법은 BreaKHis 데이터셋에서 3-fold 교차 검증을 사용하여 평균 분류 정확도 89.61%를 달성하였다.
• 10-fold 교차 검증에서는 분류 정확도 88.23%를 기록하여 각 폴드 간 일관성 있는 성능을 보였다.
• 200x 확대율에서 가장 높은 정확도 88.0%가 기록되었으며, 이는 이 해상도에서 최적의 특징 표현이 이루어졌음을 시사한다.
• LBP, GLCM 및 딥러닝 특징을 사용한 다수의 최신 기법들을 능가하였으며, 특히 40x 및 200x 확대율에서 두드러진 성능을 보였다.
• Zernike 모멘트와 함께 다수의 엔트로피 특징(Kapoor, Renyi, Yager)을 사용함으로써 양성 및 악성 종양 간의 구분 능력 향상에 기여하였다.
• 반복적 VMD와 LS-SVM를 조합하고, ReliefF 기반 특징 선택을 적용한 방법은 단독으로 사용되는 무늬 기반 기술자나 전통적 분류기보다 더 효과적인 것으로 입증되었다.