طبقه بندی بافت های تومور در تصاویر بافت شناسی سرطان استخوان با استفاده از PLS-LDA

یادگیری ماشین به عنوان یک شاخه ی علمی شناخته شده جهت بهبود دقت پیش بینی، کاربرد گسترده ای در طبقه بندی تصاویر پزشکی دارد. به طورکلی مساله طبقه بندی مبتنی بر یادگیری ماشین را میتوان در چهار بخشجمع آوری داده، استخراج ویژگی، آموزش و ارزیابی مدل نهایی بر روی داده ای آزمون در نظر گرفت. در بین این مراحل، استخراج ویژگی یک مرحله مهم وچالشی به حساب می آید. در این مقاله سه رویکرد مختلف برای استخراج ویژگی جهت طبقه بندی تصاویر بافت شناسی تومور استخوان بررسی شده است. در رویکرد اول یکسری ویژگی های آماری (ماتریس همرخداد سطوح خاکستری، الگوی دودویی محلی و اعمال این الگو روی تصاویر حاصل از لبه یاب کنی) از تصاویر استخراج شده است. در رویکرد دوم به منظور بهبود صحت طبقه بندی بدست آمده از رویکرد اول الگوریتم کاهش بعد LDA روی ترکیب بهترین ویژگی های آماری بدست آمده در رویکرد اول اعمال شده است. در رویکرد سوم که بهترین صحت در طبقه بندی را ایجاد کرد از ترکیب دو الگوریتم کاهش بعد PLS و LDA جهت استخراج ویژگی های مناسب استفاده شد و صحت 0/97 درصد در طبقه بندی مجموعه داده به دست آمد. رویکرد سوم به عنوان روش پیشنهادی PLS-LDA جهت حل مسئله طبقه بندی در شرایطی که تعداد کمی تصاویر پزشکی برچسب گذاری شده موجود باشد، نسبت به روش های مبتنی بر یادگیری عمیق که به حجم انبوهی از داده یبرچسب گذاری شده نیاز دارند انتخاب مناسب و کارایی می باشد.

کلیدواژه ها:

طبقه بندی تصاویر تومور استخوان ، استخراج ویژگی ، کاهش بعد ، تصاویر پزشکی