一种基于特征选择的集合分类统计方法及其在组织病理学图像分类中的应用

当分类任务基于观测集而非单个观测时，便出现了集合分类问题。在集合分类中，分类规则是使用 $N$ 组观测数据进行训练的，其中每组数据都标有类别信息，而类别标签的预测也是基于一组观测数据进行的。集合分类的数据集出现在例如基于单个组织的多个细胞核图像进行疾病诊断的场景中。本文引入了相关的统计模型，这些模型激发了一种基于上下文无关特征提取的集合分类框架。通过将一组观测数据视为经验分布，我们采用数据驱动的方法来选择那些包含位置信息和主要变异信息的特征。特别是，使用主成分分析法来提取主要变异的特征。使用多维缩放将特征表示为向量值点，以便应用传统分类器。提出的集合分类方法在多个模拟数据示例中取得了优于竞争方法的分类结果。我们在与肝癌相关的细胞核组织病理学图像分析中展示了我们方法的优势。