[论文解读] Fuzzy - Rough Feature Selection With Π- Membership Function For Mammogram Classification

K. Thangavel, R. Roselin|arXiv (Cornell University)|May 19, 2012

Image Retrieval and Classification Techniques参考文献 13被引用 8

一句话总结

本文提出一种基于π-隶属度函数的模糊-粗糙特征选择方法，以提升乳腺X线摄影分类的准确性。通过减少无关特征并借助Ant-Miner和Weka改进分类，该方法在使用全部特征时表现出更高的准确性，证明了其在早期乳腺癌检测中从乳腺X线摄影中识别异常的有效性。

ABSTRACT

Breast cancer is the second leading cause for death among women and it is diagnosed with the help of mammograms. Oncologists are miserably failed in identifying the micro calcification at the early stage with the help of the mammogram visually. In order to improve the performance of the breast cancer screening, most of the researchers have proposed Computer Aided Diagnosis using image processing. In this study mammograms are preprocessed and features are extracted, then the abnormality is identified through the classification. If all the extracted features are used, most of the cases are misidentified. Hence feature selection procedure is sought. In this paper, Fuzzy-Rough feature selection with π membership function is proposed. The selected features are used to classify the abnormalities with help of Ant-Miner and Weka tools. The experimental analysis shows that the proposed method improves the mammograms classification accuracy.

研究动机与目标

• 解决因高维、噪声特征导致的乳腺X线摄影分析中误分类的问题。
• 通过提升计算机辅助诊断系统中的特征选择能力，改善乳腺癌的早期检测。
• 开发一种基于模糊-粗糙集与π-隶属度函数的新型特征选择方法，以更好地区分微钙化灶。
• 利用Ant-Miner和Weka等标准工具评估所提方法的性能。

提出的方法

• 对乳腺X线摄影图像进行预处理，以提升图像质量并减少噪声。
• 利用图像处理技术从预处理后的图像中提取相关特征。
• 应用结合π-隶属度函数的模糊-粗糙集理论，评估并选择最具信息量的特征。
• 将所选特征作为输入，用于Ant-Miner和Weka工具中实现的分类算法。
• 以准确率为首要指标，评估分类性能。

实验结果

研究问题

• RQ1 基于π-隶属度函数的模糊-粗糙特征选择能否提升乳腺X线摄影分析中的分类准确性？
• RQ2 与使用所有提取特征相比，所提方法在分类性能上表现如何？
• RQ3 π-隶属度函数在识别微钙化灶方面，对特征选择的增强程度如何？
• RQ4 将Ant-Miner和Weka与所提特征选择方法结合，是否能获得更优的诊断结果？

主要发现

• 与使用所有提取特征相比，所提出的结合π-隶属度函数的模糊-粗糙特征选择方法显著提升了分类准确性。
• 该方法有效减少了无关和冗余特征，从而获得更可靠的分类结果。
• 将Ant-Miner和Weka与所选特征结合，显著提升了系统的诊断性能。
• 实验结果证实，该方法在识别乳腺X线摄影中异常方面优于基线方法。