Метод согласования направленных текстурных признаков в задачах анализа биомедицинских изображений
Гайдель А.В.

Институт систем обработки изображений РАН,
Самарский государственный аэрокосмический университет имени академика С.П. Королёва
(национальный исследовательский университет) (СГАУ)

 

DOI: 10.18287/0134-2452-2015-39-2-287-293

Аннотация:
В рамках общей задачи автоматического построения информационных признаков рассматривается конкретная прикладная задача настройки направления вычисления текстурных признаков, предназначенных для последующей диагностики различных заболеваний по цифровым биомедицинским изображениям. В качестве критериев качества признакового пространства рассматриваются достоверность классификации, расстояние Бхатачария, а также серия критериев дискриминантного анализа. В качестве алгоритмов оптимизации используются метод случайного поиска, генетический алгоритм и алгоритм имитации отжига. Предложенный подход обеспечивает снижение оценки вероятности ошибочного распознавания для задачи диагностики рентгеновских изображений костной ткани в два раза (с 0,20 до 0,10), а также для задачи диагностики изображений компьютерной томографии лёгких – на 45 % (с 0,11 до 0,06) в сравнении с использованием обычной процедуры отбора из большого числа разнородных признаков.

Ключевые слова:
текстурный анализ, построение признаков, дискриминантный анализ, генетический алгоритм, алгоритм имитации отжига.

Литература:

  1. Rangayyan, R.M. Biomedical image analysis / R.M. Rangayyan. – CRC press, 2004. – 1272 p.
  2. Ильясова, Н.Ю. Информационные технологии анализа изображений в задачах медицинской диагностики / Н.Ю. Ильясова, А.В. Куприянов, А.Г. Храмов. – М.: Радио и связь, 2012. – 424 с.
  3. Глумов, Н.И. Метод отбора информативных признаков на цифровых изображениях / Н.И. Глумов, Е.В. Мясников // Компьютерная оптика. – 2007. – Т. 31, № 3. – С. 73-76.
  4. Гайдель, А.В. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям / А.В. Гайдель, С.С. Первушкин  // Компьютерная оптика. – 2013. – Т. 37, № 1. – С. 113-119.
  5. Гайдель, А.В. Исследование текстурных признаков для диагностики нефрологических заболеваний по ультразвуковым изображениям / А.В. Гайдель, С.Н. Ларионова,  А.Г. Храмов   // Вестник Самарского государственного аэрокосмического университета им. академика С.П. Королёва (национального исследовательского университета). – 2014. – № 1(43). – С. 229-237.
  6. Гайдель, А.В. Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни / А.В. Гайдель, П.М. Зельтер, А.В. Капишников, А.Г. Храмов // Компьютерная оптика. – 2014. – Т. 38, № 4. – С. 843-850.
  7. Neshatian, K. Feature construction and dimension reduction using genetic programming / K. Neshatian, M. Zhang, M. Johnston // Lecture Notes in Computer Science. – 2007. – Vol. 4830. – P. 160-170.
  8. Lillywhite, K. A feature construction method for general object recognition / K. Lillywhite, D.-J. Lee, B. Tippetts, J. Archibald // Pattern Recognition. – 2013. – Vol. 46, Issue 12. – P. 3300-3314.
  9. Мясников, В.В. Анализ методов построения эффективных линейных локальных признаков цифровых сигналов и изображений / В.В. Мясников, А.Ю. Баврина, О.А. Титова // Компьютерная оптика. – 2010. – Т. 34, № 3. – С. 374-381.
  10. Schneider, J.J. Stochastic Optimization / J.J. Schneider, S. Kirkpatrick. – Berlin: Springer, 2006. – 568 p.
  11. Gill, Ph. Practical optimization / Ph. Gill, W. Murray, M. Wright. – Academic Press, 1982. – 418 p.
  12. Емельянов, В.В. Теория и практика эволюционного моделирования / В.В. Емельянов, В.В. Курейчик, В.М. Курейчик. – М.: Физматлит, 2003. – 432 с.
  13. Optimization by simulated annealing / S. Kirkpatrick, C.D. Gelatt-Jr, M.P. Vecchi // Science. – 1983. – Vol. 220(4598). – P. 671-680.
  14. Fukunaga, K. Introduction to statistical pattern recognition / K. Fukunaga. – Academic Press, 1990. – 592 p.
  15. Yang, M. Feature selection and construction for the discrimination of neurodegenerative diseases based on gait analysis / M. Yang, H. Zheng, H. Wang, S. McClean // 3rd International Conference on Pervasive Computing Technologies for Healthcare – Pervasive Health 2009. – London, United Kingdom, 1-3 April, 2009. – 7 p.
  16. Ginsburg, S.B. Automated texture-based quantification of centrilobular nodularity and centrilobular emphysema in chest CT images / S.B. Ginsburg, D.A. Lynch, R.P. Bowler, J.D. Schro­eder // Academic Radiology. – 2012. – Vol. 19(10). – P. 1241-1251.
  17. Agresti, A. Approximate is Better than "Exact" for Interval Estimation of Binomial Proportions / A. Agresti, B.A. Coull // American Statistician / American Statistical Association. – 1998. – Vol. 52(2). – P. 119-126.
  18. Keeney, R.L. Decisions with Multiple Objectives: Preferences and Value Trade-Offs / R.L. Keeney, H. Raiffa. – Cambridge: Cambridge University Press, 1993. – 569 p.

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20