Revista de Ciencias Clínicas y Médicas

Abstracto

Evaluación del desempeño de técnicas de extracción de texturas de última generación en tareas de imágenes médicas

Samuel Kusi-Duah*, Obed Appiah, Peter Appiahene

Objetivo: La interpretación de imágenes médicas es, sin duda, una tarea compleja que requiere un amplio conocimiento. Según el diagnóstico asistido por ordenador (CAD), sirve como una segunda opinión que ayudará a los radiólogos en el diagnóstico y, por otro lado, la recuperación de imágenes basada en contenido utiliza contenido visual para ayudar a los usuarios a explorar, buscar y recuperar imágenes médicas similares de una base de datos en función de los intereses del usuario. La competencia del sistema CBMIR depende de los métodos de extracción de características. Las características de textura son muy importantes para determinar el contenido de una imagen médica. Las características de textura proporcionan profundidad escénica, la distribución espacial de la variación tonal y la orientación de la superficie. Por lo tanto, este estudio busca comparar y evaluar algunas de las técnicas de extracción de características de textura hechas a mano en CBMIR. Esto es para ayudar a los interesados ​​en mejorar los sistemas CBIR a tomar decisiones informadas sobre la selección de las mejores técnicas de extracción de características de textura.

Enfoque: Dado que no hay una indicación clara de cuál de las diversas técnicas de extracción de características de textura es la más adecuada para una métrica de rendimiento dada al considerar cuál de las técnicas elegir para un estudio particular en sistemas CBMIR. El objetivo de este trabajo, por lo tanto, es evaluar comparativamente el rendimiento de las siguientes técnicas de extracción de características de textura; Patrón binario local (LBP), filtro Gabor, Matriz de coocurrencia de niveles de grises (GLCM), descriptor Haralick, Características de la prueba de segmento acelerado (FAST) y Características de la prueba de segmento acelerado y Características elementales independientes robustas binarias (FAST y BRIEF) utilizando las métricas; precisión, recuperación, puntuación F1, Error cuadrático medio (MSE), exactitud y tiempo. Estas técnicas se combinan con una medida de similitud específica para obtener resultados.

Resultados: Los resultados mostraron que LBP, el descriptor Haralick, FAST y GLCM obtuvieron los mejores resultados en términos de (precisión y exactitud), tiempo, puntuación F1 y recuperación respectivamente. LBP tuvo puntuaciones de 82,05% y 88,23% para precisión y exactitud respectivamente. Las siguientes puntuaciones representan el desempeño de los modelos de descriptor Haralick, FAST y GLCM respectivamente; 0,88 s, 38,7% y 44,82%. Estas puntuaciones de prueba se obtuvieron de conjuntos de datos que van desde 1 k a 10,5 k.

Conclusión: además de que LBP superó a los otros 5 modelos mencionados, también superó a los siguientes modelos propuestos. La característica de textura de Tamura y la transformada wavelet combinadas con la distancia de Hausdorff en términos de (precisión, exactitud y recuperación) y (precisión y recuperación) respectivamente y probablemente la puntuación F1 (ya que la puntuación F1 es el promedio ponderado de precisión y recuperación). Se cree que un conjunto de LBP, descriptores de Haralick y una máquina de vectores de soporte (SVM) puede representar un sistema sólido tanto para la recuperación como para la clasificación de imágenes médicas.