[논문 리뷰] Use HMM and KNN for classifying corneal data

Payam Porkar Rezaeiye, Mehrnoosh Bazrafkan외 3명|arXiv (Cornell University)|2014. 01. 29.

Retinal Imaging and Analysis참고 문헌 8인용 수 5

한 줄 요약

이 논문은 레이저 조절 수술에서의 각막 탑그래피 데이터 분류 정확도를 향상시키기 위해 은닉 마르코프 모델(HMM)과 k-최근접 이웃(KNN)을 융합한 하이브리드 분류 방법을 제안한다. HMM을 통해 각막 모양 패턴을 모델링하고, 추출된 특징을 바탕으로 KNN을 사용해 분류를 정밀화함으로써, 기준 기법보다 높은 분류 정확도를 달성하였으며, 안과 진단을 위한 의료 영상 분석 분야에서의 효과성을 입증하였다.

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.

연구 동기 및 목표

• 레이저 조절 수술 데이터에서 복잡한 각막 탑그래피 패턴을 고정확도로 분류하는 시스템을 개발하기 위해.
• 각막 데이터에서 최적의 일치 선과 곡선을 식별함으로써 특징 추출을 최적화하기 위해.
• 순차적인 각막 모양 패턴을 모델링하기 위해 HMM을 통합하고, 최종 분류를 위해 KNN을 활용하기 위해.
• 강력한 패턴 인식을 통해 안과 응용 분야에서 진단 신뢰도를 향상시키기 위해.
• 伝통적인 분류 방법과 비교하여 하이브리드 HMM-KNN 모델의 성능을 평가하기 위해.

제안 방법

• 방법은 각막 탑그래피 데이터를 사전 처리하여 대표적인 선과 곡선을 추출하는 것으로 시작된다.
• 은닉 마르코프 모델(HMM)은 순차적인 각막 데이터에 대해 훈련되어, 잠재 상태 전이 및 방출 확률를 모델링한다.
• HMM 상태에서 유도된 특징 벡터가 k-최근접 이웃(KNN) 분류기의 입력으로 사용된다.
• KNN은 특징 공간 내에서 k개의 가장 가까운 이웃의 다수결 분류 기반으로 새로운 각막 데이터를 분류한다.
• 시스템은 HMM의 순차적 모델링 능력과 KNN의 인스턴스 기반 학습 능력을 융합하여 일반화 능력을 향상시킨다.
• 레이저 조절 수술 각막 탑그래피 데이터셋을 대상으로 표준 분류 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 HMM은 각막 탑그래피 데이터의 순차적 구조를 효과적으로 모델링하여 분류 정확도를 향상시킬 수 있는가?
• RQ2 HMM과 KNN을 융합하면 개별적으로 사용할 경우보다 더 높은 분류 정확도를 달성할 수 있는가?
• RQ3 하이브리드 분류기에서 사용하기 위한 각막 데이터에서 추출된 최적의 특징 조합은 무엇인가?
• RQ4 정상과 비정상 각막 패턴을 분류하는 데 있어 하이브리드 HMM-KNN 모델은 기준 분류기보다 우수한가?
• RQ5 이 방법을 통해 다양한 각막 질환 유형을 신뢰성 있게 구분할 수 있는가?

주요 결과

• 하이브리드 HMM-KNN 모델은 각막 데이터셋에서 단독 HMM 또는 KNN보다 높은 분류 정확도를 달성하였다.
• 선과 곡선 피팅을 통한 특징 추출이 분류기의 입력 품질을 크게 향상시켰다.
• HMM은 각막 모양 패턴 내의 시간적 및 공간적 종속성을 효과적으로 포착하였다.
• KNN은 HMM에서 유도된 특징 공간 내 국소 유사성에 기반하여 강력한 최종 분류를 제공하였다.
• 복잡한 각막 탑그래피를 분류하는 데 있어 HMM과 KNN의 통합이 전통적 방법을 능가하였다.
• 제안된 방법은 안과 진단 분야에서 임상적 활용 가능성이 높음을 입증하였다.