[论文解读] Ant Colony based Feature Selection Heuristics for Retinal Vessel Segmentation

Ahmed H. Asad, Ahmad Taher Azar+2 more|arXiv (Cornell University)|Mar 7, 2014

Retinal Imaging and Analysis被引用 9

一句话总结

本文提出了一种基于蚁群系统（ACS）的视网膜血管分割框架，评估了六种特征选择启发式方法——Relief、CFS、Fisher Score、Gini Index、SFS 和 SBS——以确定每个像素 14 个特征（5 个灰度级，8 个 Hu 矩不变量）的最优子集，用于像素级分类。Relief 启发式方法表现最优，在 DRIVE 数据库上实现了 75.84% 的敏感度、93.88% 的特异度和 91.55% 的准确率，证明其在选择具有区分性的特征以提升分割性能方面具有显著优势。

ABSTRACT

Features selection is an essential step for successful data classification, since it reduces the data dimensionality by removing redundant features. Consequently, that minimizes the classification complexity and time in addition to maximizing its accuracy. In this article, a comparative study considering six features selection heuristics is conducted in order to select the best relevant features subset. The tested features vector consists of fourteen features that are computed for each pixel in the field of view of retinal images in the DRIVE database. The comparison is assessed in terms of sensitivity, specificity, and accuracy measurements of the recommended features subset resulted by each heuristic when applied with the ant colony system. Experimental results indicated that the features subset recommended by the relief heuristic outperformed the subsets recommended by the other experienced heuristics.

研究动机与目标

• 通过从每个像素的 14 个特征向量中选择最相关的特征，提升视网膜血管分割的准确性。
• 通过特征选择减少冗余特征，降低分类复杂度和时间。
• 评估并比较六种特征选择启发式方法与蚁群系统（ACS）算法在血管分割中的表现。
• 识别出能最大化敏感度、特异度和整体准确率的最优特征子集，用于视网膜图像分析。

提出的方法

• 研究采用 DRIVE 视网膜图像数据库，包含 40 幅彩色眼底图像（20 幅用于训练，20 幅用于测试），每幅图像的视野直径为 540 像素。
• 对于视野内每个像素，计算 14 个特征：5 个基于绿色通道灰度级，8 个基于 Hu 矩不变量。
• 应用六种特征选择启发式方法——Relief、CFS、Fisher Score、Gini Index、SFS 和 SBS——以识别用于分类的最佳 6 个特征子集。
• 使用蚁群系统（ACS）算法作为分类器，评估每种启发式方法所选择的特征子集的分割性能。
• 性能通过敏感度（SN）、特异度（SP）和准确率（ACC）进行衡量，真实标签来自专家手动分割结果。
• 记录每个特征子集的计算时间以评估效率，所有子集均在标准 PC 上完成计算。

实验结果

研究问题

• RQ1 在与蚁群系统结合用于视网膜血管分割时，哪种特征选择启发式方法能产生最高的分割准确率？
• RQ2 在 DRIVE 数据库上，不同特征选择启发式方法在敏感度、特异度和准确率方面的表现如何比较？
• RQ3 特征子集的大小和组成对分类性能和计算时间有何影响？
• RQ4 Relief 启发式方法是否能持续优于其他启发式方法，在选择具有区分性的特征用于血管/非血管分类方面表现更优？
• RQ5 所选特征子集的性能与以往采用不同采样策略的研究相比如何？

主要发现

• Relief 启发式方法产生的分割性能最佳，敏感度为 75.84%，特异度为 93.88%，准确率为 91.55%，优于所有其他启发式方法。
• CFS 启发式方法表现第二佳，敏感度为 75.41%，特异度为 93.81%，准确率为 91.43%，略优于先前研究中使用的八特征子集。
• 特征 f5（灰度级）和 Hu1（Hu 矩不变量）在所有六种启发式方法中均被选中，表明其对区分血管与非血管像素具有强大的判别能力。
• 所有特征子集的计算时间相近，介于 88 至 92 秒之间，SFS 和 SBS 由于特征数量较少，计算速度最快。
• Fisher Score 和 Gini Index 启发式方法计算时间略长，因其包含更多 Hu 矩特征，但差异极小。
• 结果证实，特征选择显著提升了分类性能，通过减少冗余并增强判别能力。