La ingeniería de características profunda en el reconocimiento de imágenes de colposcopia: un estudio comparativo
Autores: Tawalbeh, Shefa; Alquran, Hiam; Alsalatie, Mohammed
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La ingeniería de características profunda en el reconocimiento de imágenes de colposcopia: un estudio comparativo
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Técnicas de fusión de características
Clasificación de cáncer cervical
Conjuntos de datos
Precisión de clasificación
Modelos de aprendizaje profundo
Modelo de máquina de vectores de soporte
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Las técnicas de fusión de características han sido propuestas y probadas para muchas aplicaciones médicas con el fin de mejorar problemas de diagnóstico y clasificación. Específicamente, la clasificación del cáncer cervical puede ser mejorada mediante el uso de tales técnicas. La fusión de características combina información de diferentes conjuntos de datos en un solo conjunto de datos. Este conjunto de datos contiene un poder discriminante superior que puede mejorar la precisión de la clasificación. En este documento, realizamos comparaciones entre seis técnicas de fusión de características seleccionadas para proporcionar la mejor precisión de clasificación posible del cáncer cervical. Las técnicas consideradas son el análisis de correlación canónica, el análisis de correlación discriminante, el operador de contracción y selección absoluta mínima, el análisis de componentes independientes, el análisis de componentes principales y la concatenación. Generamos diez conjuntos de datos de características que provienen del aprendizaje por transferencia de los modelos de aprendizaje profundo pre-entrenados más populares: AlexNet, ResNet 18, ResNet 50, ResNet 10, MobileNet, ShuffleNet, Xception, NasNet, DarkNet 19 y VGG Net 16. La principal contribución de este documento es combinar estos modelos y luego aplicarlos a las seis técnicas de fusión de características para discriminar diversas clases de cáncer cervical. Los resultados obtenidos se introducen luego en un modelo de máquina de vectores de soporte para clasificar cuatro clases de cáncer cervical (es decir, Negativo, HISL, LSIL y SCC). Se ha encontrado que las seis técnicas consideradas demandan una complejidad computacional relativamente comparable cuando se ejecutan en la misma máquina. Sin embargo, el análisis de correlación canónica ha proporcionado el mejor rendimiento en precisión de clasificación entre las seis técnicas consideradas, con un 99.7%. Los métodos que le siguen en rendimiento fueron el análisis de componentes independientes, el operador de contracción y selección absoluta mínima, que se encontraron con una precisión del 98.3%. Por otro lado, la técnica de análisis de componentes principales fue la de peor rendimiento, ofreciendo una precisión del 90%. Nuestro enfoque desarrollado de análisis puede ser aplicado a otros problemas de clasificación de diagnóstico médico, que pueden requerir la reducción de dimensiones de características, así como una mayor mejora del rendimiento de clasificación.
Descripción
Las técnicas de fusión de características han sido propuestas y probadas para muchas aplicaciones médicas con el fin de mejorar problemas de diagnóstico y clasificación. Específicamente, la clasificación del cáncer cervical puede ser mejorada mediante el uso de tales técnicas. La fusión de características combina información de diferentes conjuntos de datos en un solo conjunto de datos. Este conjunto de datos contiene un poder discriminante superior que puede mejorar la precisión de la clasificación. En este documento, realizamos comparaciones entre seis técnicas de fusión de características seleccionadas para proporcionar la mejor precisión de clasificación posible del cáncer cervical. Las técnicas consideradas son el análisis de correlación canónica, el análisis de correlación discriminante, el operador de contracción y selección absoluta mínima, el análisis de componentes independientes, el análisis de componentes principales y la concatenación. Generamos diez conjuntos de datos de características que provienen del aprendizaje por transferencia de los modelos de aprendizaje profundo pre-entrenados más populares: AlexNet, ResNet 18, ResNet 50, ResNet 10, MobileNet, ShuffleNet, Xception, NasNet, DarkNet 19 y VGG Net 16. La principal contribución de este documento es combinar estos modelos y luego aplicarlos a las seis técnicas de fusión de características para discriminar diversas clases de cáncer cervical. Los resultados obtenidos se introducen luego en un modelo de máquina de vectores de soporte para clasificar cuatro clases de cáncer cervical (es decir, Negativo, HISL, LSIL y SCC). Se ha encontrado que las seis técnicas consideradas demandan una complejidad computacional relativamente comparable cuando se ejecutan en la misma máquina. Sin embargo, el análisis de correlación canónica ha proporcionado el mejor rendimiento en precisión de clasificación entre las seis técnicas consideradas, con un 99.7%. Los métodos que le siguen en rendimiento fueron el análisis de componentes independientes, el operador de contracción y selección absoluta mínima, que se encontraron con una precisión del 98.3%. Por otro lado, la técnica de análisis de componentes principales fue la de peor rendimiento, ofreciendo una precisión del 90%. Nuestro enfoque desarrollado de análisis puede ser aplicado a otros problemas de clasificación de diagnóstico médico, que pueden requerir la reducción de dimensiones de características, así como una mayor mejora del rendimiento de clasificación.