利用最优路径森林学习视觉表征及其在巴雷特食管与腺癌诊断中的应用
计算机视觉与模式识别
2021-01-21 v2 机器学习
摘要
本工作中，我们引入无监督最优路径森林（OPF）分类器，用于巴雷特食管（BE）和自动腺癌诊断背景下的视觉字典学习。所提方法在 two 个数据集（MICCAI 2015 和 Augsburg）上进行了验证，使用了三种不同的特征提取器（SIFT、SURF，以及尚未应用于 BE 背景的 A-KAZE），以及五种有监督分类器，包括 OPF 的两种变体、带径向基函数和线性核的支持向量机，以及一种贝叶斯分类器。对于 MICCAI 2015 数据集，最佳结果通过使用无监督 OPF 生成字典、有监督 OPF 分类、并采用 SURF 特征提取器获得，区分 BE 患者与腺癌患者的准确率接近 78%。对于 Augsburg 数据集，最准确的结果同样由两种 OPF 分类器组合取得，但使用 A-KAZE 作为特征提取器，准确率接近 73%。特征提取与视觉词袋技术的结合所得结果优于文献中近期其他方法，我们也强调了相关研究领域的新进展。为强调本工作的意义，据我们所知，这是首项旨在利用视觉词袋和 OPF 分类器进行计算机辅助 BE 识别的工作，其中无监督技术在 BE 特征计算中的应用是本研究的主要贡献。我们还提出了使用 A-KAZE 特征的 BE 与腺癌新描述方法，该方法尚未应用于文献中。
引用
@article{arxiv.2101.07209,
title = {Learning Visual Representations with Optimum-Path Forest and its Applications to Barrett's Esophagus and Adenocarcinoma Diagnosis},
author = {Luis A. de Souza and Luis C. S. Afonso and Alanna Ebigbo and Andreas Probst and Helmut Messmann and Robert Mendel and Christoph Palm and João P. Papa},
journal= {arXiv preprint arXiv:2101.07209},
year = {2021}
}