Порівняльна ефективність класифікаторів зображень під час розпізнавання зон інтересу при лапароскопічних втручаннях

Abstract

У роботі представлено порівняльне оцінювання ефективності систем автоматизованої комп’ютерної діагностики, розроблених на основі двох класифікаторів – каскаду дескрипторів Хаара та AdaBoost, під час лапароскопічної діагностики апендициту та метастазів печінки. Для навчання використовували зображення, а також гама-кореговані та конвертовані у HSV шкалу кольори RGB зображення, отримані під час лапароскопічної діагностики. Дескриптори, що використовували для навчання класифікатора AdaBoost отримували за допомогою методу локального бінарного патерну, який включав інформаційні показники кольору, а також показники текстури. Після завершення навчання проводили тест оцінювання ефективності діагностики при якому використовували зображення, що не застосовували для навчання. Найбільш високим показник повноти (recall) був при тестовій діагностиці апендициту за допомогою навчання класифікатора AdaBoost дескрипторами модифікованого кольору локального бінарного патерну, отриманими з RGB зображень, – 0,745, а під час діагностики метастазів печінки – 0,902. Також коректність діагностики (accuracy) склала 74,4 % під час діагностики апендициту та 89,3 % при діагностиці метастазів печінки. Коректність діагностики із застосуванням класифікатора Хаара була найбільш високою за умови діагностики метастазів печінки та склала 0,672 при використанні RGB зображень, 0,723 – при навчанні HSV зображеннями. Діагностика із застосуванням класифікатора Хаара є менш ефективною порівняно з діагностикою, що здійснювалась із застосуванням класифікатора AdaBoost, навчання якого здійснювали із застосуванням дескрипторів модифікованого кольору локального бінарного патерну.

The purpose of the study is to evaluate the effectiveness of the automatic computer diagnostic (ACD) systems developed on the basis of two classifers – HAAR features cascade and AdaBoost for the detection of appendicitis and metastatic damages of the liver. Materials and methods. For the classifers training the images/frames, which have been cropped out from video gained in the course of laparoscopic diagnostics were used. Namely, RGB frames, and gamma-corrected RGB frames and converted into HSV have been explored. Also descriptors were extracted from images with the modifed method of Local Binary Pattern (LBT), which includes data on color characteristics («modifed color LBT» – MCLBT) and textural ones were used later on for AdaBoost classifer training. After cessation of training the tests were performed with the aim of the estimation of effectiveness of recognition. Test session images were different from those ones which have been used for training of the classifer. Results. The highest recall for appendicitis diagnostics was achieved after training of AdaBoost with MCLBT descriptors extracted from RGB images – 0,745, and in case for metastatic damages diagnostics – 0,902. Hence developed AdaBoost based CAD system achieved 74,4 % correct classifcation rate (accuracy) for appendicitisc and 89,3 % for metastatic images. The accuracy of HAAR features classifer was highest in case of metastatic foci identifcation and achieved 0,672 (RGB) – 0,723 (HSV) values. Conclusions. Haar features based cascade classifer turned to be less effective when compared with AdaBoost classifer trained with MCLBT descriptors.

В работе представлено сравнительные оценки эффективности систем автоматизированной компьютерной диагностики (АКД), разработанных на основе двух классификаторов – каскада дескрипторов Хаара и AdaBoost, во время лапароскопической диагностики аппендицита и метастазов печени. Для обучения применяли изображения, а также гамма-коррегированные и конвертированные в HSV шкалу RGB изображения, полученные при лапароскопической диагностике. Дескрипторы, которые использовали для обучения классификатора AdaBoost получали при помощи метода локального бинарного паттерна (ЛБП), который включал информационные показатели цвета («модифицированный цвет ЛБП» – MЦЛБП), а также показатели текстуры. После завершения обучения проводили тест оценки эффективности диагностики, при котором использовали изображения, неприменяемые для обучения. Наиболее высоким показатель полноты (recall) был при тестовой диагностике аппендицита с помощью классификатора AdaBoost в обучении применяли дескрипторы МЦЛБП, полученные при анализе RGB изображений — 0,745, а при диагностике метастазов печени – 0,902. Также корректность диагностики (accuracy) составила 74,4 % при диагностике аппендицита и 89,3 % при диагностике метастазов печени. Корректность диагностики при применении классификатора Хаара была наиболее высокой при диагностике метастазов печени и составила 0,672 при использовании RGB изображений и 0,723 – при обучении HSV изображениями. Диагностика с применением классификатора Хаара менее эффективна по сравнению с диагностикой, осуществляемой с применением классификатора AdaBoost, обучение последнего проводили с применением дескрипторов МЦЛБП.