[논문 리뷰] Selection Mammogram Texture Descriptors Based on Statistics Properties Backpropagation Structure

Shofwatul Uyun, Sri Hartati외 2명|arXiv (Cornell University)|2013. 07. 10.

AI in cancer detection참고 문헌 4인용 수 6

한 줄 요약

이 연구는 초기 유방암 검출을 위한 컴퓨터 보조 진단(CAD) 시스템의 정확도를 향상시키기 위해 제1차 및 제2차 통계량을 조합하고 백프로파게이션 기반의 다층 퍼셉트론(MLP) 학습을 사용하는 텍스처 기술자 선택 프레임워크를 제안한다. 방법은 0°, 45°, 90°, 135° 방향에서 모두 분석된 제2차 텍스처 기술자 24종을 평가하여 수렴 시간이 1,000 에포크 이내에 이루어지고 분류 정확도가 가장 높은 조합을 최적으로 규명하였다.

ABSTRACT

Computer Aided Diagnosis (CAD) system has been developed for the early detection of breast cancer, one of the most deadly cancer for women. The benign of mammogram has different texture from malignant. There are fifty mammogram images used in this work which are divided for training and testing. Therefore, the selection of the right texture to determine the level of accuracy of CAD system is important. The first and second order statistics are the texture feature extraction methods which can be used on a mammogram. This work classifies texture descriptor into nine groups where the extraction of features is classified using backpropagation learning with two types of multi-layer perceptron (MLP). The best texture descriptor as selected when the value of regression 1 appears in both the MLP-1 and the MLP-2 with the number of epoches less than 1000. The results of testing show that the best selected texture descriptor is the second order (combination) using all direction (0, 45, 90 and 135) that have twenty four descriptors.

연구 동기 및 목표

• 조기 유방암 검출을 위한 컴퓨터 보조 진단(CAD) 시스템의 정확도를 향상시키기 위해 유방촬영 영상에서 최적의 텍스처 기술자를 선택하는 것.
• 유방촬영 영상에서 양성과 악성 종양을 구분하는 데 있어 제1차 및 제2차 통계적 텍스처 특징의 성능을 평가하는 것.
• 다층 퍼셉트론(MLP) 분류기를 사용한 백프로파게이션 학습을 통해 가장 효과적인 텍스처 기술자 구성 방식을 규명하는 것.
• 분류 성능을 최대화하면서 1,000 에포크 이내에 수렴하는 기술자 조합을 식별하는 것.
• 학습 및 테스트용으로 분할된 50장의 유방촬영 영상 데이터셋을 사용하여 선택된 기술자를 검증하는 것.

제안 방법

• 유방촬영 영상에서 제1차 및 제2차 통계적 텍스처 특징을 추출하여 텍스처 패턴을 표현한다.
• 체계적인 평가를 위해 텍스처 기술자를 구분하여 9개의 카테고리로 분류한다.
• 양성 및 악성 병변을 분류하기 위해 백프로파게이션 학습을 사용한 두 개의 다층 퍼셉트론(MLP) 네트워크를 학습시킨다.
• 선택 기준은 두 MLP-1 및 MLP-2에서 모두 회귀 1(최적 성능)을 달성하고, 1,000 에포크 이내에 수렴하는 기술자를 우선시한다.
• 제2차 텍스처 기술자는 0°, 45°, 90°, 135°의 네 방향에서 계산되어 총 24개의 조합 기술자가 생성된다.
• 성능 평가 기준은 50장의 영상 데이터셋을 사용한 수렴 속도 및 분류 정확도이다.

실험 결과

연구 질문

• RQ1 제1차 기술자인지 제2차 기술자가 유방촬영 영상 분석에서 더 높은 분류 성능을 제공하는가?
• RQ2 유방암과 양성 종양을 구분하는 데 있어 방향성 텍스처 특징(0°, 45°, 90°, 135°)의 최적 조합은 무엇인가?
• RQ3 선택된 텍스처 기술자를 사용할 경우, 백프로파게이션 기반의 MLP 분류기가 1,000 에포크 이내에 높은 정확도를 달성할 수 있는가?
• RQ4 어느 특정 텍스처 기술자 조합이 수렴 속도와 분류 성능 사이의 최적 균형을 이룬다?
• RQ5 단일 방향 특징에 비해 다중 방향 기술자 조합의 진단 정확도는 어떻게 비교되는가?

주요 결과

• 모든 네 방향(0°, 45°, 90°, 135°)에서 계산된 제2차 텍스처 기술자가 가장 효과적인 것으로 규명되었으며, 이로 인해 24종의 고유한 기술자가 도출되었다.
• 이 조합된 기술자 집합은 MLP-1 및 MLP-2 양쪽에서 모두 회귀 1을 달성하여 최적의 분류 성능을 보였다.
• 선택된 기술자 구성은 1,000 에포크 이내에 수렴하여 효율성과 정확도의 핵심 기준을 충족시켰다.
• 통계적 특성과 백프로파게이션 학습을 기반으로 한 텍스처 특징 선택을 통해 CAD 시스템의 성능 향상이 성공적으로 달성되었다.
• 결과적으로 다중 방향 텍스처 조합이 단일 방향 또는 제1차 기술자에 비해 분류 정확도를 크게 향상시킴을 입증하였다.
• 본 연구는 제2차 통계량과 다중 방향 분석이 유방촬영 영상 분류 작업에서 다른 기술자 유형보다 뛰어나다는 것을 확인하였다.