[論文レビュー] Fuzzy - Rough Feature Selection With Π- Membership Function For Mammogram Classification

K. Thangavel, R. Roselin|arXiv (Cornell University)|May 19, 2012

Image Retrieval and Classification Techniques参考文献 13被引用数 8

ひとこと要約

本稿では、ママンモグラム分類の正確性を向上させるためにπ-membership関数を用いたファジィ・ラフ特徴選択手法を提案する。アンチ・マイナーとWekaを用いた特徴選択と分類により、不要な特徴を低減し、分類性能を向上させることで、全特徴を用いる場合よりも高い正確性を達成し、ママンモグラムからの早期乳がん発見における有効性を示している。

ABSTRACT

Breast cancer is the second leading cause for death among women and it is diagnosed with the help of mammograms. Oncologists are miserably failed in identifying the micro calcification at the early stage with the help of the mammogram visually. In order to improve the performance of the breast cancer screening, most of the researchers have proposed Computer Aided Diagnosis using image processing. In this study mammograms are preprocessed and features are extracted, then the abnormality is identified through the classification. If all the extracted features are used, most of the cases are misidentified. Hence feature selection procedure is sought. In this paper, Fuzzy-Rough feature selection with π membership function is proposed. The selected features are used to classify the abnormalities with help of Ant-Miner and Weka tools. The experimental analysis shows that the proposed method improves the mammograms classification accuracy.

研究の動機と目的

• 高次元的でノイズの多い特徴によるママンモグラム解析における誤分類の課題に対処すること。
• コンピュータ支援診断システムにおける特徴選択の向上を通じて、乳がんの早期発見を改善すること。
• 微小石灰化のより良い識別が可能な、ファジィ・ラフ集合とπ-membership関数を用いた新しい特徴選択手法の開発。
• 分類の性能を、アンチ・マイナーとWekaといった標準ツールを用いて評価すること。

提案手法

• 画像処理技術を用いて、品質を向上させ、ノイズを低減するためのママンモグラム画像の前処理。
• 前処理済み画像から関連する特徴を抽出する。
• π-membership関数を用いたファジィ・ラフ集合理論を適用し、最も情報量の多い特徴を評価・選択する。
• 選択された特徴を、アンチ・マイナーとWekaツールに実装された分類アルゴリズムの入力として使用する。
• 主に正確性を指標として用い、分類性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ファジィ・ラフ特徴選択にπ-membership関数を用いることで、ママンモグラム解析における分類正確性が向上するか？
• RQ2 本手法は、抽出された全特徴を用いる場合と比較して、分類性能にどのように差をつけるか？
• RQ3 π-membership関数は、微小石灰化の同定において、どの程度特徴選択を向上させるか？
• RQ4 本特徴選択手法とアンチ・マイナーおよびWekaの統合により、より優れた診断結果が得られるか？

主な発見

• 提案手法であるπ-membership関数を用いたファジィ・ラフ特徴選択は、全抽出特徴を用いる場合と比較して、顕著に分類正確性を向上させた。
• 本手法は、不要で重複する特徴を効果的に低減し、より信頼性の高い分類結果をもたらした。
• 選択された特徴とアンチ・マイナーおよびWekaの統合により、システムの診断性能が向上した。
• 実験結果から、本手法が、ママンモグラムにおける異常の同定において、ベースライン手法を上回ることを確認した。