[论文解读] An unsupervised bayesian approach for the joint reconstruction and classification of cutaneous reflectance confocal microscopy images

Abdelghafour Halimi, Hadj Batatia+3 more|ArXiv.org|Mar 4, 2017

Statistical Methods and Inference参考文献 24被引用 11

一句话总结

本文提出了一种无监督贝叶斯方法，通过具有伽马分布乘性斑点噪声和截断正态先验的分层模型，联合重建真实反射率并分类皮肤反射共焦显微镜（RCM）图像为健康或雀斑样病变。使用吉布斯内梅特罗波利斯马尔可夫链蒙特卡洛（MCMC）采样器估计模型参数和图像标签，在真实RCM数据上实现了97.7%的准确率，比基于CART的方法高出15.5个百分点。

ABSTRACT

This paper studies a new Bayesian algorithm for the joint reconstruction and classification of reflectance confocal microscopy (RCM) images, with application to the identification of human skin lentigo. The proposed Bayesian approach takes advantage of the distribution of the multiplicative speckle noise affecting the true reflectivity of these images and of appropriate priors for the unknown model parameters. A Markov chain Monte Carlo (MCMC) algorithm is proposed to jointly estimate the model parameters and the image of true reflectivity while classifying images according to the distribution of their reflectivity. Precisely, a Metropolis-whitin-Gibbs sampler is investigated to sample the posterior distribution of the Bayesian model associated with RCM images and to build estimators of its parameters, including labels indicating the class of each RCM image. The resulting algorithm is applied to synthetic data and to real images from a clinical study containing healthy and lentigo patients.

研究动机与目标

• 开发一种用于RCM图像的联合重建与分类框架，以支持非侵入性皮肤病变诊断。
• 解决RCM图像中乘性斑点噪声带来的挑战，该噪声会降低图像质量并阻碍视觉解读。
• 在不依赖标注训练数据的情况下，使用无监督贝叶斯推断将图像分类为健康或雀斑类型。
• 通过在单一概率框架内整合噪声建模与组织反射率估计，提高诊断准确率。
• 在45名患者的临床RCM图像数据集上对方法进行验证。

提出的方法

• 构建分层贝叶斯模型，其中每张RCM图像被建模为受均值为1的伽马分布乘性斑点噪声污染的观测值。
• 为图像反射率分配截断正态先验以确保其正值，并为其均值和方差设置超先验，以实现无监督分类。
• 将图像标签（雀斑或健康）作为隐变量引入模型，实现对反射率、噪声参数和类别标签的联合估计。
• 采用混合吉布斯内梅特罗波利斯马尔可夫链蒙特卡洛（MCMC）采样器，对所有未知量的后验联合分布进行采样，包括图像反射率、噪声参数和类别标签。
• 通过迭代采样估计MMSE和MAP估计量，以估计模型参数和图像内容，并利用轨迹图监控收敛性。
• 处理大小为250×250的图像块，以降低计算成本，同时保留对分类至关重要的局部纹理特征。

实验结果

研究问题

• RQ1 是否能够通过统一的贝叶斯框架，在无需标注训练数据的情况下，联合重建真实反射率并分类RCM图像为健康或雀斑类型？
• RQ2 与传统方法相比，使用伽马分布建模乘性斑点噪声在RCM图像分类准确率方面有何提升？
• RQ3 在反射率上引入截断正态先验在多大程度上增强了重建与分类过程的鲁棒性和物理合理性？
• RQ4 基于MCMC的推断策略在估计涉及隐式标签和高维图像数据的复杂后验分布方面有多高效？
• RQ5 所提出的方法是否在真实临床RCM图像分类中优于现有的基于特征的分类技术（如CART）？”

主要发现

• 该方法在45名患者的临床RCM数据上实现了97.7%的分类准确率，仅有一例雀斑病例被错误分类。
• 雀斑检测的敏感度为96.2%，特异度达到100%，表明在识别病患与健康病例方面表现优异。
• 雀斑分类的精确度为100%，意味着在所有预测为雀斑的病例中均未出现假阳性。
• 与基于39个小波特征和决策树的CART方法相比，所提出的贝叶斯方法在准确率上提高了15.5个百分点（82.2% vs. 97.7%）。
• MCMC采样器在所有参数上均表现出稳定的收敛性，经合成数据和不同信噪比（SNR）水平下的真实数据验证，轨迹图证实了这一点。
• 视觉分析显示，被错误分类的患者（#8）的纹理与健康患者相似，表明细微图像特征可能对先进分类器也构成挑战。