用于组织病理图像分类的 CNN、BoVW 与 LBP 的比较研究
计算机视觉与模式识别
2017-10-04 v1
摘要
尽管医学成像领域取得了进展，但由于成像模态和疾病特异性特征的多样性，它仍然是一个广阔的开放研究领域。本文是一项比较研究，描述了使用局部二值模式（LBP）、深度特征和视觉词袋（BoVW）方案进行组织病理图像分类的潜力。我们引入了一个新数据集 \emph{KIMIA Path960}，其中包含属于 20 个不同类别（不同组织类型）的 960 张组织病理图像。我们公开了该数据集。该数据集规模较小且具有类间和类内变异性，使其非常适合在比较组织病理学等复杂医学成像案例中的图像描述子用于搜索和分类时的初步研究。我们研究了深度特征、LBP 直方图和 BoVW，通过留一法验证对图像进行分类。使用 LBP 获得的图像分类准确率为 90.62\%，而使用深度特征的最高准确率达到 94.72\%。字典方法（BoVW）达到了 96.50\%。深度解决方案可能能够提供更高的准确率，但它们需要使用大量（平衡的）图像数据集进行广泛训练。
引用
@article{arxiv.1710.01249,
title = {A Comparative Study of CNN, BoVW and LBP for Classification of Histopathological Images},
author = {Meghana Dinesh Kumar and Morteza Babaie and Shujin Zhu and Shivam Kalra and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:1710.01249},
year = {2017}
}
备注
To appear in proceedings of The IEEE Symposium Series on Computational Intelligence (IEEE SSCI 2017), Honolulu, Hawaii, USA, Nov. 27 -- Dec 1, 2017