Publication details
Abstracts and keywords
Celem podjętych badań było określenie wektora cech obrazów USG tarczycy, który pozwoliłby wykrywać przypadki dotknięte chorobą Hashimoto. Materiał badawczy zawierał serie zdjęć należące do sześćdziesięciu pacjentów (dwudziestu ośmiu zdrowych i trzydziestu dwóch chorych). Na ich podstawie wydzielono sto dwadzieścia sześć próbek należących do przypadków rozpoznanych jako chore oraz sto osiem dla zdrowych. W efekcie analizy obrazu uzyskano dwieście osiemdziesiąt jeden cech dyskryminacyjnych. Do redukcji wymiaru danych zastosowano metody oparte na ekstrakcji oraz selekcji cech. Skuteczniejsze okazały się metody selekcji cech. Za pomocą metody wskaźników pojemności informacyjnej Hellwiga dane zredukowano do trzech cech. Metodą opartą na badaniu istotności korelacji uzyskano czterdzieści osiem cech. Zredukowane zbiory wykorzystano do budowy klasyfikatorów. Zastosowano w tym celu dwa podejścia – uczenie bez nauczyciela oraz z nauczycielem. Najlepsze efekty otrzymano za pomocą metod uczenia z nauczycielem. Wykorzystując je, zbudowano dwa modele, zaproponowane jako rozwiązanie końcowe. Pierwszym z nich jest klasyfikator oparty na metodzie K-najbliższych sąsiadów (dla K = 7 ). Wykorzystuje on trzy cechy otrzymane metodą Hellwiga i zapewnia wrażliwość klasyfikacji na poziomie 88,1%. Drugim modelem jest klasyfikator łączony, zbudowany z trzech klasyfikatorów składowych. Oparte są one na metodzie K-najbliższych sąsiadów (dla K = 7 ), liniowej analizie dyskryminacyjnej oraz metodzie agregacji polegającej na wzmacnianiu modeli. Klasyfikator łączony stosuje głosowanie większościowe i wykorzystuje czterdzieści osiem cech wyłonionych metodą korelacji. Pozwala on osiągnąć wrażliwość równą 88,1%, specyficzność wynoszącą 69,4% oraz błąd klasyfikacji na poziomie 20,5%. Zredukowane wektory cech, razem z zaproponowanymi metodami klasyfikacji, mogą być wykorzystane do budowy systemu komputerowego służącego do automatycznej klasyfikacji analizowanych obrazów do jednej z dwóch kategorii: chory lub zdrowy. System ten może wspomagać lekarza w procesie diagnozy przypadków trudnych do rozpoznania na podstawie zdjęć USG. Wysoka wrażliwość klasyfikacji zbudowanych modeli, oznaczająca dokładność rozpoznawania przypadków chorych, jest korzystna dla pacjenta z medycznego punktu widzenia.
The aim of the study was to determine the feature vector of the thyroid ultrasound images, which would allow to detect cases affected by Hashimoto's thyroiditis. Series of images belonging to 60 patients (28 healthy and 32 sick) as a research material have been used. On this basis 126 samples belonging to the cases identified as sick and 108 as healthy were obtained. As a result of the image analysis 281 discriminant features were extracted. In order to dimension reduction in feature space the methods based on the feature extraction and selection have been used. Feature selection methods have proved to be more effective. Using the method of Hellwig index of information capacity data space was reduced to 3 features. The method based on the study of correlation significance allowed to obtain 48 features. Reduced data sets were used to construction of classifiers. Two approaches for this purpose have been used - learning method without a teacher and with a teacher. The best results were obtained by the methods of learning with a teacher. By means of these methods 2 models were built which were proposed as a final solution. The first one is based on the K-nearest neighbors method. It uses 3 features obtained by Hellwig's method and provides the sensitivity of the classification at the level of 88.1%. The second model is the combined classifier, which was constructed using 3 component classifiers. They are based on the method of K-nearest neighbors, linear discriminant analysis and aggregation method which is a method of strengthening models. Combined classifier uses majority voting and it bases on 48 features selected by the correlation method. It allows to achieve a sensitivity equal to 88.1%, a specificity of 69.4% and the classification error at the level of 20.5%. The reduced feature vectors, together with the proposed classification methods can be used to build a computer system used for the automatic classification of the analyzed images to one of two categories: sick or healthy. This system can support the physician in the diagnosis of cases which are difficult to identify on the basis of ultrasound images. High sensitivity of the constructed classification models means the high detection accuracy of the sick cases, and this is beneficial to the patients from a medical point of view.
