Feature selection for diagnozing the osteoporosis by femoral neck X-ray images A.V. Gaidel, V.R. Krasheninnikov

Abstract

Отбор признаков для задачи диагностики остеопороза по рентгеновским изображениям шейки бедра Гайдель А.В., Крашенинников В.Р. Аннотация В работе анализируется информативность нескольких признаков текстуры рентгеновских изображений костной ткани для компьютерной диагностики остеопороза. Описываются че-тыре эвристических признака, также рассматривается тринадцать согласованных квадратич-ных признаков, описанных ранее. Решается задача выбора минимального набора из этих при-знаков, достаточного для линейной разделимости векторов признаков из обучающей выборки в соответствующем признаковом пространстве. В ходе вычислительных экспериментов уста-новлено, что этому условию удовлетворяет набор из четырёх эвристических признаков, а также набор из трёх квадратичных признаков и одного из эвристических признаков.Ключевые слова: текстурный анализ, отбор признаков, компьютерная диагностика, осте-опороз, линейный классификатор, полиномиальные признаки. ВведениеОстеопороз -системное заболевание костной тка-ни, ранняя диагностика которого позволяет предот-вратить переломы костей, ведущие к инвалидности. Традиционно для диагностики используются устрой-ства, измеряющие минеральную плотность костной ткани, однако из-за их редкости предлагаются аль-тернативные методы диагностики. Один из них со-стоит в автоматизированном распознавании остеопо-роза на обычных рентгеновских снимках костной ткани, например, шейки бедра [1]. Поэтому актуаль-ной является рассматриваемая в настоящей работе задача разработки алгоритмов такого распознавания.Кости, поражённые остеопорозом, имеют меньшую минеральную плотность по сравнению со здоровыми костями, они более проницаемы для рентгеновских лу-чей. Поэтому рентгеновское изображение поражённой кости (рис. 1б) выглядит темнее, а трабекулы на нём более редкие и нитевидные по сравнению с изображе-нием костной ткани здорового человека (рис. 1а).Особенности задачи анализа цифровых рентгенов-ских изображений костной ткани подробно описаны в работе [2]. Основным результатом работы [2] является достижение вероятности ошибочной классификации 0,20 при использовании корреляционных признаков совмест-но с признаками Харалика. Эти результаты были улуч-шены за счёт использования согласованных полиноми-альных признаков [3]. Оценка вероятности ошибочной классификации при таком подходе составила 0,06.В обеих указанных выше работах производился от-бор из достаточно большого количества признаков: в [2] для этого использовался алгоритм жадного добав-ления признаков в порядке возрастания индивидуаль-ных значений функционала качества, а в [3] -подбор параметров у параметрического семейства признаков. Нужно отметить, что в случае небольшого конечного числа признаков можно использовать обычный пере-бор всех подмножеств признаков, как это сделано в [4]. а) б)Рис. Рентгеновские изображения шейки бедра: здорового человека (а), поражённой остеопорозом (б)Некоторые морфометрические параметры изобра-жений компьютерной томографии позвонков изуча-лись в [5]. Полученные в этой работе коэффициенты корреляции между параметрами, оцененным...

Parallel implementation of the informative areas generation method in the spatial spectrum domain

“…The spectrum image in the domain of interest was segmented using a formula: ( ) Since the spectral image is symmetric around the center, only half of the image will be used to form up the areas [7,8].…”

Forecasting using predictor selection from a large set of highly correlated variables

“…3. We create two new candidates for each of which we supplement the current matrix 1D  for the step q with BCs (7) and (10) by the cut selection procedures (by the value of () j cs  or by radicality (11)): ( 1)…”

“…Big data analytics includes the feature selection task [1,2] for predictive modelling [3]. In many practical applications, candidate predictors correlate strongly.…”

Development of parallel implementation of the informative areas generation method in the spatial spectrum domain

“…The spectrum image in the domain of interest was segmented using a formula: Since the spectral image is symmetric around the center, only half of the image will be used to form up the areas [4,5].…”