[论文解读] Classification of histopathological breast cancer images using iterative VMD aided Zernike moments & textural signatures.

Subhankar Chattoraj, Karan Vishwakarma|arXiv (Cornell University)|Jan 15, 2018

AI in cancer detection参考文献 31被引用 14

一句话总结

该论文提出了一种新型的组织病理学乳腺癌分类方法，采用迭代变分模态分解（VMD）将图像分解为本征模态函数（IMFs），从中提取Zernike矩、分形维数以及多种熵特征（Kapoor、Renyi、Yager），通过ReliefF算法进行特征选择，并利用最小二乘支持向量机（LS-SVM）进行分类，在BreaKHis数据集上实现了3折和10折交叉验证的89.61%和88.23%的准确率，优于现有最先进方法。

ABSTRACT

In this paper we present a novel method for an automated diagnosis of breast carcinoma through multilevel iterative variational mode decomposition (VMD) and textural features encompassing Zernaike moments, fractal dimension and entropy features namely, Kapoor entropy, Renyi entropy, Yager entropy features are extracted from VMD components. The proposed method considers the histopathological image as a set of multidimensional spatially-evolving signals. ReliefF algorithm is used to select the discriminatory features and statistically most significant features are fed to squares support vector machine (SVM) for classification. We evaluate the efficiency of the proposed methodology on publicly available Breakhis dataset containing 7,909 breast cancer histological images, collected from 82 patients, of both benign and malignant cases. Experimental results shows the efficacy of the proposed method in outperforming the state of the art while achieving an average classification rates of 89.61% and 88:23% using three-fold and ten-fold cross-validation strategies, respectively. This system can aid the pathologist in accurate and reliable diagnosis of biopsy samples. BreaKHis, a publicly dataset available at http://web.inf.ufpr.br/vri/breast-cancer-database.

研究动机与目标

• 为解决良性与恶性乳腺癌组织病理学图像准确且自动分类的挑战。
• 通过整合多层级VMD与基于纹理及熵的特征，减少对手工设计特征工程的依赖。
• 在公开可用的基准数据集BreaKHis上，通过改进分类性能，超越现有方法。
• 开发一种稳健的、可辅助病理科医生的CADx系统，采用统计显著且具有区分性的特征。

提出的方法

• 该方法将组织病理学图像视为多维空间演化信号以进行分析。
• 应用迭代变分模态分解（VMD）将图像分解为多个本征模态函数（IMFs），以提取多尺度特征。
• 从每个VMD分量中计算Zernike矩、分形维数以及三种熵特征（Kapoor、Renyi、Yager），作为纹理特征签名。
• 使用ReliefF算法从提取的特征集中选择最具有统计显著性与区分性的特征。
• 将选定的特征输入采用径向基函数（RBF）核的最小二乘支持向量机（LS-SVM）进行二分类。
• 通过在包含82名患者共7,909张图像的BreaKHis数据集上进行3折和10折交叉验证来评估性能。

实验结果

研究问题

• RQ1 迭代VMD能否有效将组织病理学乳腺癌图像分解为有利于特征提取的信息性分量？
• RQ2 结合Zernike矩与多熵特征（Kapoor、Renyi、Yager）是否能提升分类性能，优于传统纹理描述符？
• RQ3 ReliefF特征选择方法能否通过识别高维特征集中的最具区分性特征来提升分类准确率？
• RQ4 所提出的基于LS-SVM的分类器在BreaKHis数据集上的准确率与鲁棒性方面，相较于最先进方法表现如何？
• RQ5 在无需大量微调重训练的前提下，VMD与手工设计纹理特征的结合是否能在该特定数据集上超越深度学习模型？

主要发现

• 所提方法在BreaKHis数据集上采用3折交叉验证，平均分类准确率达到89.61%。
• 在10折交叉验证中，系统达到88.23%的分类准确率，表明在各折中表现一致。
• 在200倍放大倍数下记录到最高准确率88.0%，表明在此分辨率下特征表征最优。
• 该方法优于多种最先进方法，包括使用LBP、GLCM和深度特征的方法，尤其在40倍与200倍放大倍数下表现更优。
• 结合Kapoor、Renyi、Yager三种熵特征与Zernike矩，显著提升了对良性和恶性类别的区分能力。
• 迭代VMD与LS-SVM结合ReliefF特征选择的方法，相较于独立的纹理描述符或传统分类器更为有效。