Journal of Clinical and Medical Sciences

Abstrait

Évaluation des performances des techniques d'extraction de caractéristiques de texture de pointe sur les tâches d'imagerie médicale

Samuel Kusi-Duah*, Obed Appiah, Peter Appiahene

Objectif : L'interprétation des images médicales est certainement une tâche complexe qui nécessite des connaissances approfondies. Selon le diagnostic assisté par ordinateur (CAO), il s'agit d'un deuxième avis qui aidera les radiologues dans le diagnostic et, d'autre part, la recherche d'images basée sur le contenu utilise le contenu visuel pour aider les utilisateurs à parcourir, rechercher et récupérer des images médicales similaires à partir d'une base de données en fonction de l'intérêt de l'utilisateur. La compétence du système CBMIR dépend des méthodes d'extraction de caractéristiques. Les caractéristiques de texture sont très importantes pour déterminer le contenu d'une image médicale. Les caractéristiques de texture fournissent la profondeur scénique, la distribution spatiale de la variation tonale et l'orientation de la surface. Par conséquent, cette étude vise à comparer et à évaluer certaines des techniques d'extraction de caractéristiques de texture artisanales dans le CBMIR. Cela vise à aider les personnes concernées par l'amélioration des systèmes CBIR à prendre des décisions éclairées concernant la sélection des meilleures techniques d'extraction de caractéristiques de texture.

Approche : Étant donné qu'il n'existe aucune indication claire sur laquelle des différentes techniques d'extraction de caractéristiques de texture est la mieux adaptée à une mesure de performance donnée, il convient de choisir la technique à utiliser pour une étude particulière dans les systèmes CBMIR. L'objectif de ce travail est donc d'évaluer comparativement les performances des techniques d'extraction de caractéristiques de texture suivantes : motif binaire local (LBP), filtre de Gabor, matrice de cooccurrence de niveaux de gris (GLCM), descripteur Haralick, caractéristiques du test de segment accéléré (FAST) et caractéristiques du test de segment accéléré et caractéristiques élémentaires indépendantes robustes binaires (FAST et BRIEF) en utilisant les mesures suivantes : précision, rappel, score F1, erreur quadratique moyenne (MSE), exactitude et temps. Ces techniques sont couplées à une mesure de similarité spécifique pour obtenir des résultats.

Résultats : Les résultats ont montré que LBP, le descripteur Haralick, FAST et GLCM avaient les meilleurs résultats en termes de (précision et exactitude), de temps, de score F1 et de rappel respectivement. LBP avait des scores de 82,05 % et 88,23 % pour la précision et l'exactitude respectivement. Les scores suivants représentent les performances des modèles descripteur Haralick, FAST et GLCM respectivement ; 0,88 s, 38,7 % et 44,82 %. Ces scores de test sont obtenus à partir d'ensembles de données allant de 1 k à 10,5 k.

Conclusion : Outre le fait que LBP surpasse les 5 autres modèles mentionnés, il surpasse également les modèles proposés suivants. La caractéristique de texture Tamura et la transformée en ondelettes combinées à la distance de Hausdorff en termes de (précision, exactitude et rappel) et (précision et rappel) respectivement et probablement le score F1 (puisque le score F1 est la moyenne pondérée de la précision et du rappel). On pense qu'un ensemble de LBP, de descripteurs Haralick et de machine à vecteurs de support (SVM) peut représenter un système robuste pour la recherche et la classification d'images médicales.