مقاله #231

چکیده:

تشخیص زود هنگام سرطان روده بزرگ از طریق آندوسکوپی روده بزرگ مهم است و بطور گسترده در بیمارستان ها به عنوان یک روش استاندارد پزشکی استفاده می شود. در زمان کولونوسکوپی، ضایعات تومور های روده بزرگ در سطح روده بصورت بصری با تصویربرداری نوار باریک (NBI) آندوسکوپی ویدئویی قابل بزرگنمایی بررسی می شود. با استفاده از نمای بصری تومورهای روده بزرگ در تصاویر آندوسکوپی، تشخیص بافت شناسی بر پایه طرحهای تشخیصی برای یافته های بزرگ نمایی NBI، محتمل می باشد. در این مقاله، ما عملکرد یک سیستم تشخیصی برای دسته بندی تصاویر NBI از تومورهای روده بزرگ به سه نوع (A,B,C3) را برپایه یافته های بزرگ نمایی NBI ؛ گزارش می کنیم. برای مقابله با مشکل طبقه بندی به کمک کامپیوتر از تصاویر NBI، یک روش شناسایی بر پایه ویژگی های محلی را بررسی می کنیم، بسته ای از کلمات بصری (BoW) و آزمایشات گسترده ای را روی انواع جنبه های فنی ارائه می دهیم. نمونه اولیه سیستم پیشنهادی، که در آزمایشات استفاده شده است، از یک نمایش BoW ویژگی های محلی که با ماشین پشتیبانی برداری (SVM) طبقه بندی کننده همراهی می شود ؛ تشکیل شده است. تعدادی از ویژگی های محلی با استفاده از طرح های نمونه برداری مانند تفاوت گاوسی ها و نمونه برداری شبکه ای ؛ استخراج می شوند. بعلاوه، ما در این مقاله یک ترکیب جدیدی از ویژگی های محلی و طرح های نمونه برداری را ارائه می دهیم. آزمایشات گسترده ای با پارامترهای متغیر برای هر مولفه انجام شدند، که برای عملکرد سیستم معمولاً بوسیله ی آن پارامترها تحت تاثیر قرار گرفته است. راهبرد نمونه برداری برای ویژگی های محلی، هیستوگرامهای ویژگی های محلی، انواع هسته های طبقه بندی کننده های SVM و یک سری از دسته ها را باید در نظر گرفت. نتایج شناسایی در بخش های نرخ شناسایی، دقت / بازخوانی، و اندازه گیری F برای تعداد مختلفی از کلمات بصری ؛ بررسی می شوند. سیستم ارائه شده نرخ شناسایی 96% را برای اعتبار سنجی 10 برابر یک مجموعه داده های حقیقی از 908 تصویر NBI که در مدت زمان کلونوسکوپی واقعی جمع آوری شده است، و نرخ شناسایی 93% برای یک مجموعه داده جداگانه را بدست آورده است.