Zeitschrift für klinische und medizinische Wissenschaften

Abstrakt

Leistungsbewertung modernster Techniken zur Texturmerkmalsextraktion bei medizinischen Bildgebungsaufgaben

Samuel Kusi-Duah*, Obed Appiah, Peter Appiahene

Zweck: Die Interpretation medizinischer Bilder ist sicherlich eine komplexe Aufgabe, die umfassende Kenntnisse erfordert. Computergestützte Diagnose (CAD) dient als Zweitmeinung, die Radiologen bei der Diagnose unterstützt, und andererseits verwendet die inhaltsbasierte Bildsuche visuelle Inhalte, um Benutzern das Durchsuchen, Suchen und Abrufen ähnlicher medizinischer Bilder aus einer Datenbank basierend auf ihrem Interesse zu erleichtern. Die Leistungsfähigkeit des CBMIR-Systems hängt von den Methoden zur Merkmalsextraktion ab. Die Texturmerkmale sind sehr wichtig, um den Inhalt eines medizinischen Bildes zu bestimmen. Texturmerkmale bieten szenische Tiefe, die räumliche Verteilung von Tonvariationen und Oberflächenausrichtung. Daher versucht diese Studie, einige der handgefertigten Techniken zur Texturmerkmalsextraktion in CBMIR zu vergleichen und zu bewerten. Dies soll denjenigen, die an der Verbesserung von CBIR-Systemen beteiligt sind, helfen, fundierte Entscheidungen bezüglich der Auswahl der besten Techniken zur Texturmerkmalsextraktion zu treffen.

Ansatz: Da es keinen klaren Hinweis darauf gibt, welche der verschiedenen Techniken zur Extraktion von Texturmerkmalen für eine bestimmte Leistungsmetrik am besten geeignet ist, wenn man bedenkt, welche der Techniken für eine bestimmte Studie in CBMIR-Systemen ausgewählt werden soll, besteht das Ziel dieser Arbeit daher darin, die Leistung der folgenden Techniken zur Extraktion von Texturmerkmalen vergleichend zu bewerten: Lokales binäres Muster (LBP), Gabor-Filter, Graustufen-Ko-Auftrittsmatrix (GLCM), Haralick-Deskriptor, Funktionen aus dem beschleunigten Segmenttest (FAST) und Funktionen aus dem beschleunigten Segmenttest und binären robusten unabhängigen elementaren Funktionen (FAST und BRIEF) unter Verwendung der Metriken Präzision, Rückruf, F1-Score, mittlerer quadratischer Fehler (MSE), Genauigkeit und Zeit. Diese Techniken werden mit spezifischen Ähnlichkeitsmaßen gekoppelt, um Ergebnisse zu erzielen.

Ergebnisse: Die Ergebnisse zeigten, dass LBP, Haralick-Deskriptor, FAST und GLCM die besten Ergebnisse in Bezug auf (Präzision und Genauigkeit), Zeit, F1-Score und Rückruf erzielten. LBP erreichte 82,05 % bzw. 88,23 % für Präzision und Genauigkeit. Die folgenden Werte repräsentieren die Leistung der Modelle Haralick-Deskriptor, FAST und GLCM: 0,88 s, 38,7 % und 44,82 %. Diese Testergebnisse wurden aus Datensätzen im Bereich von 1.000 bis 10,5.000 gewonnen.

Fazit: Abgesehen davon, dass LBP die anderen 5 genannten Modelle übertrifft, übertraf es auch die folgenden vorgeschlagenen Modelle. Tamura-Texturmerkmal und Wavelet-Transformation kombiniert mit Hausdorff-Distanz in Bezug auf (Präzision, Genauigkeit und Rückruf) bzw. (Präzision und Rückruf) und wahrscheinlich F1-Score (da der F1-Score der gewichtete Durchschnitt von Präzision und Rückruf ist). Es wird angenommen, dass ein Ensemble aus LBP, Haralick-Deskriptoren und Support Vector Machine (SVM) ein robustes System sowohl für die medizinische Bildsuche als auch für die Klassifizierung darstellen kann.