Αναγνώριση Προτύπων σε Εικόνες Υπερηχογραφίας Όζων του Θυρεοειδούς Αδένα Τσαντής Σταύρος
2. Χαρακτηριστικά περιγράμματος. ΣΚΟΠΟΣ Σχεδιασμός και υλοποίηση ενός υπολογιστικού συστήματος για την ταξινόμηση των όζων σε εικόνες υπερηχογραφίας με βάση: 1. Χαρακτηριστικά υφής 2. Χαρακτηριστικά περιγράμματος. Βιβλιογραφική έρευνα και υλοποίηση διαφόρων ταξινομητών όπως α. Μηχανές Στήριξης Διανυσμάτων (SVMs) [V. Kechman, "Support Vector Machines," in Learning and Soft Computing: MIT, 2001] β. Κλασσικοί ταξινομητές (LSMD, Bayesian, MLP) [S. Theodoridis and K. Koutroumbas, Pattern recognition, 2nd ed. Amsterdam; Boston: Academic Press, 2003] γ. Πιθανοκρατικά Νευρωνικά Δίκτυα (PNN) [D. Specht, ""Probabilistic neural networks"," Neural Networks, vol. 3, pp. 109-118, 1990 ]
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Βάση Δεδομένων: 120 ασθενείς υπεβλήθησαν σε βιοψία (FNA) με ταυτόχρονη αποθήκευση των αντίστοιχων υπερηχογραφικών εικόνων. Ταξινόμηση των όζων του θυρεοειδούς: Οι όζοι του θυρεοειδούς αδένα διαχωριστήκαν ιστολογικά σε δύο μεγάλες κατηγορίες [T. McCaffrey, Evaluation of the Thyroid Nodule, Cancer Control 2000; 7; 223- 228]: Α. Χαμηλού κινδύνου (Κολλοειδής όζος) Β. Υψηλού κινδύνου (Επιθηλιακή Υπερπλασία) Χαρακτηριστικά Υφής: 40 χαρακτηριστικά υπολογίστηκαν από την περιοχή ενδιαφέροντος (RΟΙ) για κάθε εικόνα (4 από το ιστόγραμμα, 26 από τις μήτρες Co-Occurrence [R. Haralick, K. Shanmugam, and I. Dinstein, "Textural features for image classification," IEEE Transactions on Systems, Man and Cybernetics, vol. 3, pp. 610-621, 1973 ] και 10 από τις μήτρες Run-Length [M. M. Galloway, "Texture Analysis Using Grey Level Run Lengths," Computer Graphics and Image Processing, vol. 4, pp. 172-179, 1975])
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Μηχανές Διανυσμάτων Στήριξης: Ο ταξινομητής εκπαιδεύτηκε για τον χαρακτηρισμό των όζων ως χαμηλού κινδύνου (Low Risk – 78 εικόνες) και ως υψηλού κινδύνου (High Risk – 42 εικόνες) Συναρτήσεις Πυρήνα: Η συναρτήσεις πυρήνα για τον σχεδιασμό του SVM ταξινομητή που χρησιμοποιήθηκε είναι: α. Πολυώνυμο 1-4ου βαθμού β. RBF συνάρτηση Πυρήνα γ. Wavelet – Based συναρτήσεις πυρήνα Αξιολόγηση ταξινομητή: Η αξιολόγηση της ακρίβειας της ταξινόμησης πραγματοποιήθηκε με εκτεταμένη έρευνα σε συνδυασμό ανά δύο-τρία και τέσσερα των χαρακτηριστικών για τον σχεδιασμό του SVM ταξινομητή. Το ποσοστό επιτυχίας κάθε συνδυασμού αξιολογήθηκε με την μέθοδο Leave-Οne–out και Re-substitution [S. Theodoridis and K. Koutroumbas, Pattern recognition, 2nd ed. Amsterdam; Boston: Academic Press, 2003]
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα SVM Το υψηλότερο ποσοστό ακρίβειας του SVM ταξινομητή (96.7%) επετεύχθη με το πολυώνυμο 3ου βαθμού και με τον εξής συνδυασμό των εξής χαρακτηριστικών: Μέση τιμή του ιστογράμματος των τόνων του γκρι (Mean Value) Άθροισμα διακύμανσης των τόνων του γκρι (Sum Variance από την μήτρα Co-Occurrence) Ποσοστό Επιτυχίας SVM Συνάρτηση πυρήνα LOO (%) Resub. (%) NSV Πολυώνυμο 1ου βαθμού 89.2 93.3 17 Πολυώνυμο 2ου βαθμού 91.7 96.7 13 Πολυώνυμο 3ου βαθμού 98.3 12 Πολυώνυμο 4ου βαθμού 94.2 99.2 15 RBF 97.5
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα SVM (Polynomial of 3rd degree)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα SVM (Wavelet – Based Kernels) για τον ίδιο συνδυασμό Χαρακτηριστικών[Rakotomamonjy, X. Mary, S.Canu. Wavelet Kernel and RKHS, Proc. of Statistical Learning : Theory and Applications, Paris, 2002 ] Classification accuracy SVM kernel LOO+ (%) Resub.* (%) NSV** Daubechies Wavelet Kernel 95.8 98.3 9 Coiflet Wavelet Kernel 95.0 10 Symmlet Wavelet Kernel 99.2
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα SVM (Daubechies kernel)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα Κλασσικών ταξινομητών (QLSMD, Bayesian, MLP) Ποσοστό επιτυχίας Ταξινομητής Συνδυασμός Χαρακτηριστικών LOO+ (%) Resub.* (%) QLSMD Mean Value – SV – RLNU 92.5 96.7 Bayesian 95.8 MLP Mean Value - RLNU 95.0 96.6
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα Κλασσικών ταξινομητών (QLSMD)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα Κλασσικών ταξινομητών (Bayesian)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα Κλασσικών ταξινομητών (MLP)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Συμπεράσματα Ο διαχωρισμός των όζων με βάση υπερηχογραφικά χαρακτηριστικά επικεντρώνεται στην χαμηλή ηχογένεια (Mean Value) και στην ύπαρξη διαφόρων δομών στο εσωτερικό του όζου (SV, RLNU) όπως διάφορες αποτιτανώσεις Ο ταξινομητής SVM ανεδείχθη ανώτερος (96,7%) έναντι των κλασσικών ταξινομητών, οι οποίοι χρειάστηκαν και τρίτο χαρακτηριστικό για να βελτιώσουν την απόδοση τους
Αναγνώριση Προτύπων με βάση χαρακτηριστικά περιγράμματος Βάση Δεδομένων: 86 ασθενείς υπεβλήθησαν σε βιοψία (FNA) με ταυτόχρονη αποθήκευση των αντίστοιχων υπερηχογραφικών εικόνων. Ταξινόμηση των όζων του θυρεοειδούς: Οι όζοι του θυρεοειδούς αδένα διαχωριστήκαν ιστολογικά σε δύο μεγάλες κατηγορίες: Α. Χαμηλού κινδύνου (Κολλοειδής όζος) Β. Υψηλού κινδύνου (Επιθηλιακή Υπερπλασία) Χαρακτηριστικά Περιγράμματος: 12 χαρακτηριστικά υπολογίστηκαν από την περιοχή ενδιαφέροντος (RΟΙ)[N. Street, "Cancer diagnosis and prognosis via linear programming based machine learning," P.hD, Madison: University of Wisconsin, 1994] Αξιολόγηση ταξινομητή: Η αξιολόγηση της ακρίβειας της ταξινόμησης πραγματοποιήθηκε με εκτεταμένη έρευνα σε συνδυασμό ανά δύο-τρία και τέσσερα των χαρακτηριστικών για τον σχεδιασμό του SVM ταξινομητή. Το ποσοστό επιτυχίας κάθε συνδυασμού αξιολογήθηκε με την μέθοδο Leave-Οne–out και Re-substitution
Αναγνώριση Προτύπων με βάση χαρακτηριστικά περιγράμματος Αποτελέσματα SVM Το υψηλότερο ποσοστό ακρίβειας του SVM ταξινομητή (98.8%) επετεύχθη με το πολυώνυμο 3ου βαθμού και με τον εξής συνδυασμό των εξής χαρακτηριστικών: Συμμετρία (Symmetry) Αριθμός κοίλων σημείων (Number of concave points) Ποσοστό Επιτυχίας SVM Συνάρτηση πυρήνα LOO (%) Resub. (%) NSV Πολυώνυμο 1ου βαθμού 92.5 93.3 13 Πολυώνυμο 2ου βαθμού 91.7 96.7 14 Πολυώνυμο 3ου βαθμού 98.8 10 Πολυώνυμο 4ου βαθμού 94.2 12 RBF 97.5
Αναγνώριση Προτύπων με βάση χαρακτηριστικά περιγράμματος Αποτελέσματα SVM (Πολυώνυμο 3ου βαθμού)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά υφής Αποτελέσματα ταξινομητή PNN Ποσοστό Επιτυχίας Ταξινομητής Συνδυασμός Χαρακτηριστικών LOO+ (%) Resub.* (%) PNN Symmetry – No of Concave Points 97.6 98.8
Αναγνώριση Προτύπων με βάση χαρακτηριστικά περιγράμματος Αποτελέσματα PNN για τον ίδιο συνδυασμό χαρακτηριστικών (spread=0.1)
Αναγνώριση Προτύπων με βάση χαρακτηριστικά περιγράμματος Συμπεράσματα Ο διαχωρισμός των όζων με βάση χαρακτηριστικά περιγράμματος επικεντρώνεται στον βαθμό συμμετρίας του όζου καθώς και στην ύπαρξη κοίλων δομών κατά μήκος του περιγράμματος Ο ταξινομητής SVM ανεδείχθη ανώτερος (98,8%) έναντι του ταξινομητή PNN (97.6)
ΤΕΛΟΣ