[论文解读] Selection Mammogram Texture Descriptors Based on Statistics Properties Backpropagation Structure

Shofwatul Uyun, Sri Hartati+2 more|arXiv (Cornell University)|Jul 10, 2013

AI in cancer detection参考文献 4被引用 6

一句话总结

本研究提出了一种基于一阶和二阶统计特征结合反向传播多层感知机（MLP）学习的乳腺X线摄影图像纹理描述符选择框架。该方法在所有方向（0°, 45°, 90°, 135°）上评估了24种二阶纹理描述符，识别出最优组合，且在1,000个训练周期内实现收敛，显著提升了计算机辅助诊断（CAD）系统在早期乳腺癌检测中的分类准确率。

ABSTRACT

Computer Aided Diagnosis (CAD) system has been developed for the early detection of breast cancer, one of the most deadly cancer for women. The benign of mammogram has different texture from malignant. There are fifty mammogram images used in this work which are divided for training and testing. Therefore, the selection of the right texture to determine the level of accuracy of CAD system is important. The first and second order statistics are the texture feature extraction methods which can be used on a mammogram. This work classifies texture descriptor into nine groups where the extraction of features is classified using backpropagation learning with two types of multi-layer perceptron (MLP). The best texture descriptor as selected when the value of regression 1 appears in both the MLP-1 and the MLP-2 with the number of epoches less than 1000. The results of testing show that the best selected texture descriptor is the second order (combination) using all direction (0, 45, 90 and 135) that have twenty four descriptors.

研究动机与目标

• 通过从乳腺X线摄影图像中选择最优纹理描述符，提升计算机辅助诊断（CAD）系统在早期乳腺癌检测中的准确性。
• 评估一阶和二阶统计纹理特征在区分良性与恶性乳腺X线摄影图像中的性能表现。
• 通过基于反向传播的多层感知机（MLP）分类器，确定最有效的纹理描述符配置。
• 识别在1,000个训练周期内实现收敛且最大化分类性能的描述符集合。
• 使用50张乳腺X线摄影图像的数据集对所选描述符进行验证。

提出的方法

• 从乳腺X线摄影图像中提取一阶和二阶统计纹理特征，以表征纹理模式。
• 将纹理描述符按九种类别分组，以实现系统性评估。
• 使用反向传播学习训练两个多层感知机（MLP）网络，以分类良性与恶性病例。
• 选择标准优先考虑在MLP-1和MLP-2中均实现回归1（最优性能）且训练周期少于1,000次的描述符。
• 在四个方向（0°, 45°, 90°, 135°）上计算二阶纹理描述符，生成24种组合描述符。
• 基于50张图像数据集，根据收敛速度和分类准确率评估性能。

实验结果

研究问题

• RQ1 在一阶与二阶纹理描述符中，哪种类型在乳腺X线摄影图像分析中能实现更好的分类性能？
• RQ2 在区分恶性与良性乳腺X线摄影图像时，方向性纹理特征（0°, 45°, 90°, 135°）的最优配置是什么？
• RQ3 当使用选定的纹理描述符时，基于反向传播的MLP分类器是否能在少于1,000个训练周期内实现高准确率？
• RQ4 哪种特定的纹理描述符集合在收敛速度与分类性能之间实现了最佳平衡？
• RQ5 与单方向特征相比，多方向描述符的组合在诊断准确率方面表现如何？

主要发现

• 在所有四个方向（0°, 45°, 90°, 135°）上计算的二阶纹理描述符被确定为最有效，生成了24种不同的描述符。
• 该组合描述符集在MLP-1和MLP-2中均实现了回归1，表明分类性能达到最优。
• 所选描述符配置在少于1,000个训练周期内实现收敛，满足高效性与准确性的关键标准。
• 该方法通过基于统计特性与反向传播学习选择纹理特征，成功提升了CAD系统的性能。
• 结果表明，方向性纹理组合显著提升了分类准确率，优于单方向或一阶特征。
• 本研究证实，结合多方向分析的二阶统计特征在乳腺X线摄影图像分类任务中优于其他描述符类型。