[论文解读] An Application of Backpropagation Artificial Neural Network Method for Measuring The Severity of Osteoarthritis

Dian Pratiwi, Diaz D. Santika+1 more|arXiv (Cornell University)|Sep 29, 2013

Medical Imaging and Analysis参考文献 3被引用 16

一句话总结

本研究提出一种反向传播人工神经网络（BP-ANN）系统，用于从手部和腕部X光片中分类骨关节炎严重程度。该方法采用图像预处理、统计纹理特征以及132个归一化输入向量，在训练数据上实现100%的准确率，在混合学习/非学习数据上实现80%的准确率，表明其在自动化骨关节炎严重程度评估方面具有潜力。

ABSTRACT

The examination of Osteoarthritis disease through X-ray by rheumatology can be classified into four grade of severity. This paper discusses about the application of artificial neural network backpropagation method for measuring the severity of the disease, where the observed X-ray range from wrist to fingers. The main procedures of system in this paper is divided into three, which are image processing, feature extraction, and artificial neural network process. First, an X-ray image digital (200x150 pixels and greyscale) will be thresholded, then extracted features based on probabilistic values of the color intensity of seven bit quantization result, and statistical textures. That feature values then will be normalizing to interval [0.1, 0.9], and then the result would be processing on backpropagation artificial neural network system as input to determine the severity of disease from an X-ray had input before it. From testing with learning rate 0.3, momentum 0.4, hidden units five pieces and about 132 feature vectors, this system had had a level of accuracy of 100% for learning data, 80% for learning and non-learning data, and 66.6% for non-learning data

研究动机与目标

• 开发一种利用医学影像与机器学习技术自动评估骨关节炎严重程度的系统。
• 通过应用机器学习方法，解决风湿病学家在骨关节炎放射学分级中存在主观性与变异性的问题。
• 应用人工神经网络以提高疾病严重程度分类的一致性与客观性。
• 评估反向传播神经网络在手部和腕部X光片上的表现。
• 探索基于纹理与强度特征用于骨关节炎严重程度预测的可行性。

提出的方法

• 通过阈值处理对X光片（200×150像素，灰度）进行预处理，以增强对比度。
• 特征提取包括从七比特量化像素强度中计算概率强度值以及统计纹理特征。
• 将提取的特征归一化至[0.1, 0.9]范围，以改善神经网络收敛性。
• 使用学习率0.3与动量0.4训练包含五个隐含单元的反向传播神经网络。
• 系统以132个特征向量作为输入，预测骨关节炎的四个严重程度等级。
• 在学习数据与非学习数据子集上分别进行训练与测试，以评估模型泛化能力。

实验结果

研究问题

• RQ1 反向传播神经网络能否准确分类手部和腕部X光片中的骨关节炎严重程度？
• RQ2 该系统在训练数据与未见（非学习）测试数据上的表现如何？
• RQ3 特征归一化与基于纹理的输入对分类准确率有何影响？
• RQ4 人工神经网络在多大程度上可减少放射学评估骨关节炎时的主观性？
• RQ5 学习率与动量设置如何影响模型的收敛性与性能？

主要发现

• 该系统在训练数据集上达到100%准确率，表明其具备强大的学习能力。
• 在同时包含学习与非学习数据的测试中，模型准确率达到80%，表明具备中等泛化能力。
• 仅在非学习数据上测试时，系统准确率为66.6%，表明存在一定程度的过拟合或对新病例的泛化能力有限。
• 将特征归一化至[0.1, 0.9]范围，改善了反向传播算法的训练稳定性与收敛性。
• 采用七比特强度量化与统计纹理特征，为神经网络提供了足够区分性的输入。
• 包含五个隐含单元并优化学习参数的模型，证明了其在自动化骨关节炎严重程度分类中的可行性。