The influence of the principal component analysis of texture features on the classification quality of sponge tissue images
Artykuł w czasopiśmie
MNiSW
20
Lista 2021
| Status: | |
| Warianty tytułu: |
Wpływ analizy głównych składowych cech tekstury na jakość klasyfikacji obrazów tkanki
gąbczastej
|
| Autorzy: | Dzierżak Róża |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2020 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 10 |
| Strony: | 13 - 16 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 września 2020 |
| Abstrakty: | angielski | polski |
| The aim of this article was to determine the effect of principal component analysis on the results of classification of spong y tissue images. Four hundred computed tomog raphy images of the spine (L1 vertebra) were used for the analy s es. The images were from fifty healthy patients and fifty patients diagnosed with osteoporosis. The obtained tissue image samples with a size of 50x50 pixels were subjected to texture analysis . As a result, feature descriptors based on a gr e y level histogram, gradient matrix, RL matrix, event matrix, autoregressive model and wavelet transform were obtained. The results obtained were ranked in importance from the most important to the least impo rtant. The first fifty features from the ranking were used for further experiments. The data w ere subjected to the principal component analysis, which resulted in a set of six new features. Subsequently, both sets (50 and 6 traits) were classified using fi ve different methods: naive Bayesian classifier, multilayer perceptrons, Hoeffding Tree, 1 - Nearest Neighbo u r and Random Forest. The best results were obtained for data on which principal components analysis was performed and classified using 1 - Nearest Neig hbo u r. Such an algorithm of procedure allowed to obtain a high value of TPR and PPV parameters, equal to 97.5%. In the case of other classif iers, the use of principal component analysis worsened the results by an average of 2% . | |
| Celem niniejszego artykułu było określenie wpływu analizy głównych składowych na w yniki klasyfikacji obrazów tkanki gąbczastej. Do analiz wykorzystano czterysta obrazów tomografii komputerowej kręgosłupa (kręg L1). Obrazy pochodziły od pięćdzi e sięciu zdrowych pacjentów oraz pięćdziesięciu pacjentów ze zdiagnozowaną osteoporozą. Uzyskane próbki obrazowe tkanki o wymiarze 50x50 pikseli poddano analizie tekstury . W wyniku tego otrzymano deskryptory cech oparte na histogramie poziomów szarości, macierzy gradientu, macierzy RL, macierzy zdarzeń, modelu autoregresji i transformacie falkowej. O trzymane wyniki ustawiono w rankingu ważności od najistot niejszej do najmniej ważnej. P ięćdziesiąt pierwszych cech z rankingu wykorzystano do dalszych eksperymentów. Dane zostały poddane analizie głównych składowych w skutek czego uzyskano zbiór sześciu no wych cech. N astępnie oba zbiory (50 i 6 cech) zostały poddane klasyfikacji przy użyciu pięciu różnych metod: naiwn ego klasyfikator a Bayesa, wielowarstwow ych perceptron ów , Hoeffding Tree, 1 - Nearest Neighbour and Random Forest . Najlepsze wyniki uzyskano dla danych , na których przeprowadzono analizę głównych składowych i poddano klasyfikacji za pomocą 1 - Nearest Neighbour . Taki algorytm postępowania pozwolił na uzyskanie wysokiej wartości parametrów TPR oraz PPV , równych 97,5%. W przypadku pozostałych klasyfika torów zastosowanie analizy głównych składowy ch pogorszyło wyniki średnio o 2%. |
