Ultrasonography is known as an efficient diagnosis application for detection of several cancers because of relatively inexpensive, safety, and real time data. Computer-aided diagnosis system helps sonographer to diagnosis correctly. In focal hepatic lesions classification, there are three kinds of class, - cyst, hemangioma, malignant. Hemangioma is a benign lesion, the size varies and its appreance overlaps with the appearance of significant lesions. It degraded classification performance, espacially maligant and hemangioma.
This paper proposes new texture feature for improving the classification performance. The proposed method is combining Gabor wavelet which is multi-resolution analysis combines with Gray Level Co-occurrence matrix which offers information about the inter-pixel relationship. To evaluate the performance support vector machine, multi-layer perceptron classifiers and SVM recursive feature elimination which is feature selection method are emplored. In addition, more three feature selection methods - gain ratio, reliefF, minimum redundancy maximum relevence, are used for evaluate the feauture dependency, relevence, redundancy of the proposed feature. Optimal feature set which includes the propose features produces the classification accuracy increase of 18.33% compared to the previous optimal feature set. Cyst case increase by 4%, hemangioma and malignant increase by 25% on average. Furthermore, the results of feature evaluation represent that the proposed features have dependencies, and maximum relevence, minimum redundancy compared to the previous optimal feature set. The proposed feature will therefore contribute to classification of focal liver lesions.
초음파 영상은 MR이나 CT등에 비해 상대적으로 저렴하고 안전하며 실시간으로 획득이 가능하기 때문에 널리 사용되고 있는 진단 방식이다. 이 때 초음파 영상을 통한 진단의 보조수단으로써 컴퓨터를 이용한 시스템을 이용한다. 본 논문에서는 국소간병변을 크게 cyst, hemangioma, malignant로 분류한다. Cyst와 hemangioma는 양성 종양이며 malignant는 악성 종양이다. Cyst는 hemangioma와 malignant에 비해 비교적 특징이 뚜렷하여 육안으로 구분이 잘 되는 편이지만 hemangioma와 malignant는 육안으로 구분이 잘 되지 않으며 다양한 특징으로 인해 분류 성능을 저하시키게 된다. 전체적인 분류 성능을 높이기 위해 영상의 종류, feature 개발, feature selection, classifier의 시스템의 각 과정에서 다양한 노력들이 시도되어 왔다.
본 논문에서는 진단 시스템의 성능을 높이기 위해서 feature extraction과정에서 새로운 texture feature를 제안하였다. 기존의 feature인 GLCM과 Gabor wavelet을 합쳐 하나의 새로운 feature를 제안하였다. 두 픽셀 간의 gray level 로부터 homogeneity, periodicity, di-rectionality등의 texture 정보를 추출하는 GLCM과 multiscale analysis인 Gabor wavelet의 특성에 주목하였다. SVM과 MLP의 두 가지 classifier를 사용해서 분류한 결과 제안한 feature를 포함한 optimal한 feature set은 기존의 feature들로 구성된 optimal feature set의 결과보다 평균적으로18.33%의 classification accuracy성능 향상을 보였다. 특히 기존의 feature set으로 비교적 잘 분류된 cyst의 경우에도 평균적으로 4% 증가하였으며 hemangioma와 malignant는 25%로 성능을 대폭 향상시킬 수 있었다. 또한 4가지 feature selection방법으로 기존의 feature들과 새로운 feature들의 가치를 평가한 결과 dependancy, redundancy, relevence측면에서 우수한 결과를 얻었다. 따라서 새로운 feature의 우수성을 입증하였으며 이로인해 분류성능이 향상되었음을 확인할 수 있었다.
