[论文解读] HEp-2 Cell Classification via Fusing Texture and Shape Information

Xianbiao Qi, Guoying Zhao+3 more|arXiv (Cornell University)|Feb 16, 2015

Systemic Lupus Erythematosus Research参考文献 34被引用 8

一句话总结

本文提出了一种新颖的HEp-2细胞分类方法，通过融合多分辨率纹理与增强形状特征，提升了自身免疫疾病筛查的诊断准确性。通过引入用于多尺度纹理表征的PRICoLGBP描述符，以及结合多尺度RootSIFT的改进Fisher向量（IFV）进行形状建模，该方法在ICIP 2013数据集上实现了79.5%的准确率，较竞赛优胜者高出4.2%，且使用单模型架构即达到ICPR 2014优胜者的性能水平。

ABSTRACT

Indirect Immunofluorescence (IIF) HEp-2 cell image is an effective evidence for diagnosis of autoimmune diseases. Recently computer-aided diagnosis of autoimmune diseases by IIF HEp-2 cell classification has attracted great attention. However the HEp-2 cell classification task is quite challenging due to large intra-class variation and small between-class variation. In this paper we propose an effective and efficient approach for the automatic classification of IIF HEp-2 cell image by fusing multi-resolution texture information and richer shape information. To be specific, we propose to: a) capture the multi-resolution texture information by a novel Pairwise Rotation Invariant Co-occurrence of Local Gabor Binary Pattern (PRICoLGBP) descriptor, b) depict the richer shape information by using an Improved Fisher Vector (IFV) model with RootSIFT features which are sampled from large image patches in multiple scales, and c) combine them properly. We evaluate systematically the proposed approach on the IEEE International Conference on Pattern Recognition (ICPR) 2012, IEEE International Conference on Image Processing (ICIP) 2013 and ICPR 2014 contest data sets. The experimental results for the proposed methods significantly outperform the winners of ICPR 2012 and ICIP 2013 contest, and achieve comparable performance with the winner of the newly released ICPR 2014 contest.

研究动机与目标

• 解决间接免疫荧光（IIF）HEp-2细胞图像分类中高类内差异与低类间差异的挑战。
• 探究多分辨率纹理分析对分类性能的影响。
• 通过在多尺度下从大图像块中提取局部特征，增强形状表征能力。
• 探索纹理与形状特征之间的互补性以提升分类性能。
• 开发一种统一且高效的模型，在标准基准上超越现有最先进方法的性能。

提出的方法

• 提出一种新颖的成对旋转不变局部Gabor二值模式共现（PRICoLGBP）描述符，以捕捉多分辨率纹理特征。
• 在多个尺度下从大图像块中提取RootSIFT特征，以增强形状表征。
• 采用改进的Fisher向量（IFV）编码模型，将局部特征聚合为紧凑且具有判别力的全局描述符。
• 通过晚期融合策略结合PRICoLGBP纹理特征与IFV编码的形状特征。
• 在拼接的特征向量上训练单一SVM分类器以完成最终分类。
• 采用留一标本交叉验证协议，在ICPR 2014数据集上评估泛化能力。

实验结果

研究问题

• RQ1 与单分辨率方法相比，多分辨率纹理分析是否能提升HEp-2细胞分类的准确率？
• RQ2 通过多尺度RootSIFT与IFV编码从大图像块中提取的形状特征，是否能提升分类性能？
• RQ3 在HEp-2细胞分类中，纹理与形状特征之间是否存在互补关系？
• RQ4 单模型融合纹理与形状特征是否能超越顶级竞赛中使用的集成方法？
• RQ5 在新发布的ICPR 2014基准数据集上，所提方法与最先进结果相比表现如何？

主要发现

• PRICoLGBP描述符通过捕捉多分辨率纹理信息，将分类准确率从单分辨率PRICoLBP的73.9%提升至78.4%。
• 与VQ编码相比，多尺度RootSIFT特征的IFV编码显著更优，当与PRICoLBP融合时，准确率达到75.3%。
• 在ICIP 2013数据集上，PRICoLGBP与RootSIFT(IFV)的融合实现了79.5%的准确率，较ICIP 2013优胜者高出4.2%。
• 在ICPR 2014数据集上，该方法实现了80.04%的平均类别准确率，与优胜者80.25%的性能相当，尽管仅使用单模型而非16个模型。
• 该方法在'核仁'和'高尔基体'类别上表现最佳，而'高尔基体'类别性能最低，原因在于训练样本有限。
• 混淆程度最高的类别对为'高尔基体'与'核仁'，以及'颗粒样'与'均质'，原因在于其纹理与形状模式相似。