تاثیر فضای رنگ و نگاشت CLBP بر تشخیص سرطان سینه

در این پژوهش برای بررسی تاثیر عوامل اولیه بر عملکرد مدل های تشخیص سرطان سینه در تصاویر هیستوپاتولوژی، دو موضوع مهم مورد بررسی قرار می گیرد: نخست تاثیر فضای رنگی بر ویژگی های سرطان سینه استخراج شده از تصاویر و دقت طبقه بندی که بدین منظور استخراج ویژگی در دو فضای رنگی RGB و LAB صورت می گیرد. دوم تمرکز بر الگوریتم CLBP برای بررسی تاثیر نوع نگاشت ویژگی ها بر نتایج طبقه بندی است. در همین راستا نگاشت های یکنواخت (U۲)، مقاوم نسبت به چرخش (RI) و یکنواخت مقاوم به چرخش (RIU۲) مقایسه خواهند شد. برخلاف مطالعات پیشین که عمدتا متمرکز بر عملکرد ویژگی ها و توصیف گرهای مختلف بودند، در این پژوهش ساختار درونی یک توصیف گر واحد و نحوه نگاشت آن به طور مستقل بررسی شده است. برای ارزیابی از معیارهای صحت، دقت، بازیابی و امتیاز F۱ استفاده می شود و نتایج ارزیابی برای دو فضای رنگ و سه نگاشت ویژگی با مدل ماشین بردار پشتیبان (SVM) گزارش خواهد شد. ارزیابی نتایج نشان می دهد استخراج ویژگی در فضای LAB به همراه نگاشت RIU۲ بیشترین تاثیر را در عملکرد مدل دارد که مقادیر دقت آن برای بزرگنمایی های ۴۰، ۱۰۰، ۲۰۰ و ۴۰۰ برابر به ترتیب ۷۸، ۸۲، ۸۱ و ۸۲ بود. نتایج نشان دهنده این است که انتخاب فضای رنگی مناسب و نگاشت بهینه در CLBP می تواند به طور قابل توجهی دقت تشخیص نوع سرطان را بدون نیاز به افزایش ابعاد ویژگی ها یا پیچیدگی مدل بهبود بخشد.

کلیدواژه ها:

فضای رنگی LAB ، نگاشت CLBP ، تشخیص سرطان سینه ، استخراج ویژگی ، تصاویر هیستوپاتولوژی