EigenHearts: 使用 EigenFaces 方法进行心脏疾病分类
图像与视频处理
2024-11-26 v1 计算机视觉与模式识别
机器学习
摘要
在心血管医学领域，医学影像在准确分类心脏疾病和作出精确诊断方面发挥着关键作用。然而，该领域在数据科学技术上存在诸多挑战，因而需要大量图像数据才能实现这些技术。为克服这一挑战，本文提供了一种新型工具。具体而言，我们探索了一种被广为接受的方法，即 EigenFaces 方法，用于分类心脏疾病。该方法最初是为了高效表示人脸图像而提出的主成分分析 (PCA)，提供了解释人脸图像之间变异性的一组特征向量（即面孔）。鉴于该方法在人脸识别中表现高效，我们受其启发，探索其在更复杂数据集上的效率。具体而言，我们将该方法与卷积神经网络 (CNN) 集成，用于分类来自小鼠的超声心动图图像，涉及五种不同的心脏条件（健康、糖尿病心肌病、心肌梗死、肥胖和 TAC 高血压）。对超声心动图数据集进行预处理，采用类似 EigenFaces 方法的步骤，可获得一组 POD 模态，我们称之为 eigenhearts。为演示所提出的方法，我们比较两种测试情形：(i) 直接将 CNN 输入原始图像，(ii) 将 CNN 输入投影到所获得 POD 模态中的图像。结果表明，采用 SVD 进行预处理可显著提升分类效果，准确率提高约 50%。
引用
@article{arxiv.2411.16227,
title = {EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach},
author = {Nourelhouda Groun and Maria Villalba-Orero and Lucia Casado-Martin and Enrique Lara-Pezzi and Eusebio Valero and Soledad Le Clainche and Jesus Garicano-Mena},
journal= {arXiv preprint arXiv:2411.16227},
year = {2024}
}
备注
16 pages, 9 figures, 3 tables