طبقه‌بندي بافت‌هاي تومور در تصاوير بافت‌شناسي سرطان استخوان با استفاده از PLS-LDA

يادگيري ماشين به عنوان يك شاخه‌ي علمي شناخته‌شده جهت بهبود دقت پيش‌بيني، كاربرد گسترده‌اي در طبقه‌بندي تصاوير پزشكي دارد. به‌طور‌كلي مساله طبقه‌بندي مبتني بر يادگيري ماشين را مي‌توان در چهار بخش جمع-آوري داده، استخراج ويژگي، آموزش و ارزيابي مدل نهايي بر روي داده‌هاي آزمون در نظر گرفت. در بين اين مراحل، استخراج ويژگي يك مرحله مهم وچالشي به حساب مي‌آيد. در اين مقاله سه رويكرد مختلف براي استخراج ويژگي جهت طبقه‌بندي تصاوير بافت‌شناسي تومور استخوان بررسي شده‌است. در رويكرد اول يكسري ويژگي‌هاي آماري (ماتريس هم‌رخداد سطوح خاكستري، الگوي دودويي محلي و اعمال اين الگو روي تصاوير حاصل از لبه‌ياب كني) از تصاوير استخراج شده است. در رويكرد دوم به منظور بهبود صحت طبقه‌بندي بدست آمده از رويكرد اول الگوريتم كاهش بُعد LDA روي تركيب بهترين ويژگي‌هاي آماري بدست آمده در رويكرد اول اعمال شده‌است. در رويكرد سوم كه بهترين صحت در طبقه‌بندي را ايجاد كرد از تركيب دو الگوريتم كاهش بُعد PLS و LDA جهت استخراج ويژگي‌هاي مناسب استفاده شد و صحت ۰.۹۷ درصد در طبقه‌بندي مجموعه‌داده‌ به دست آمد. رويكرد سوم به عنوان روش‌ پيشنهادي (PLS-LDA‎) جهت حل مسئله طبقه‌بندي در شرايطي كه تعداد كمي تصاوير پزشكي برچسب‌گذاري شده موجود باشد، نسبت به روش‌هاي مبتني بر يادگيري عميق كه به حجم انبوهي از داده‌ي برچسب‌گذاري شده نياز دارند انتخاب مناسب و كارايي مي‌باشد.