[论文解读] An Effective Image Feature Classiffication using an improved SOM

Mohammed M. Abdelsamea, Marghny H. Mohamed+1 more|arXiv (Cornell University)|Jan 8, 2015

Image Processing Techniques and Applications参考文献 7被引用 5

一句话总结

本文提出了一种改进的自组织映射（iSOM），通过使用纹理特征实现有效的乳腺X线图像分类。通过引入具有类别可靠性追踪功能的节点结构以及基于投票的约束性权重更新规则，iSOM在经典SOM及其他最先进分类器的基础上，提升了分类准确率与训练效率，在25×25的映射上实现了高达100%的精确率。

ABSTRACT

Image feature classification is a challenging problem in many computer vision applications, specifically, in the fields of remote sensing, image analysis and pattern recognition. In this paper, a novel Self Organizing Map, termed improved SOM (iSOM), is proposed with the aim of effectively classifying Mammographic images based on their texture feature representation. The main contribution of the iSOM is to introduce a new node structure for the map representation and adopting a learning technique based on Kohonen SOM accordingly. The main idea is to control, in an unsupervised fashion, the weight updating procedure depending on the class reliability of the node, during the weight update time. Experiments held on a real Mammographic images. Results showed high accuracy compared to classical SOM and other state-of-art classifiers.

研究动机与目标

• 为解决经典SOM在分类噪声较多的真实世界医学图像（尤其是乳腺摄影）时存在的不稳定与低准确率问题。
• 通过将类别可靠性整合进SOM学习过程，提升拓扑保持性与分类性能。
• 通过基于节点类别置信度的约束性权重更新，减少训练时间与内存消耗。
• 在乳腺X线图像数据集上，超越经典SOM及其他最先进分类器，在精确率、召回率与F1值方面表现更优。

提出的方法

• 在SOM中提出一种新型节点结构，维护类别计数器，并基于获胜频率追踪每个节点的可靠性。
• 引入基于投票的学习规则，仅对与获胜节点具有相同最大类别计数器的节点进行更新。
• 应用约束性权重更新过程，通过仅将邻域限制在最可靠的节点上，减少更新次数。
• 采用分块ROI选择方法，参数为SN=6、M=8、L=3，利用灰度共生矩阵从乳腺X线图像中提取纹理特征。
• 使用10折交叉验证及标准指标（精确率、召回率、F1值）在mini-MIAS数据集上进行评估。
• 采用无监督、保持拓扑结构的学习算法训练iSOM，学习率与邻域范围采用自适应衰减策略。

实验结果

研究问题

• RQ1 将类别可靠性整合进SOM权重更新过程中，能否提升在噪声医学图像数据上的分类准确率？
• RQ2 所提出的约束性更新规则是否能在保持或提升性能的同时，减少训练时间与内存使用？
• RQ3 在乳腺X线图像分类任务中，iSOM相较于经典SOM及其他最先进分类器，在精确率、召回率与F1值方面表现如何？
• RQ4 由于学习效率更高，iSOM模型是否能在更小的映射尺寸下实现高准确率？

主要发现

• 在25×25的映射上，iSOM实现了100%的精确率、90.84%的召回率与95.2%的F1值，显著优于经典SOM。
• 在20×20的映射上，iSOM实现了97.87%的精确率与91.13%的F1值，而经典SOM为98.18%的精确率与95.57%的F1值，表明iSOM在性能平衡方面表现更优。
• 由于采用了约束性更新规则，iSOM所需的权重更新操作次数少于经典SOM，从而减少了训练时间与内存使用。
• 在所有测试配置中，iSOM在F1值上均优于其他分类器，如RBF（68.31% F1值）、朴素贝叶斯（67.60% F1值）与集成学习（78.87% F1值）。
• iSOM模型表现出高度的鲁棒性与稳定性，尤其在小尺寸映射上，F1值持续优于经典SOM。
• 所提方法在mini-MIAS数据集上取得了最佳性能，验证了将类别可靠性整合进SOM学习机制的有效性。