जर्नल ऑफ क्लिनिकल एंड मेडिकल साइंसेज

अमूर्त

मेडिकल इमेजरी कार्यों पर अत्याधुनिक टेक्सचर फीचर निष्कर्षण तकनीकों का प्रदर्शन मूल्यांकन

सैमुअल कुसी-दुआ*, ओबेद अप्पियाह, पीटर अप्पियाहेन

उद्देश्य: चिकित्सा छवियों की व्याख्या करना निश्चित रूप से एक जटिल कार्य है जिसके लिए व्यापक ज्ञान की आवश्यकता होती है। कंप्यूटर एडेड डायग्नोसिस (सीएडी) के अनुसार यह दूसरी राय के रूप में कार्य करता है जो रेडियोलॉजिस्ट को निदान में मदद करेगा और दूसरी ओर सामग्री आधारित छवि पुनर्प्राप्ति उपयोगकर्ताओं को उपयोगकर्ता की रुचि के आधार पर डेटाबेस से समान चिकित्सा छवियों को ब्राउज़ करने, खोजने और पुनर्प्राप्त करने में मदद करने के लिए दृश्य सामग्री का उपयोग करती है। CBMIR प्रणाली की योग्यता सुविधा निष्कर्षण विधियों पर निर्भर करती है। एक चिकित्सा छवि की सामग्री निर्धारित करने के लिए बनावट संबंधी विशेषताएँ बहुत महत्वपूर्ण हैं। बनावट संबंधी विशेषताएँ दृश्य गहराई, टोनल भिन्नता का स्थानिक वितरण और सतह अभिविन्यास प्रदान करती हैं। इसलिए, यह अध्ययन CBMIR में कुछ हाथ से तैयार की गई बनावट सुविधा निष्कर्षण तकनीकों की तुलना और मूल्यांकन करना चाहता है। इसका उद्देश्य CBIR प्रणालियों को बढ़ाने में रुचि रखने वालों की मदद करना है ताकि वे सर्वोत्तम बनावट सुविधा निष्कर्षण तकनीकों के चयन के संबंध में सूचित निर्णय ले सकें।

दृष्टिकोण: चूंकि सीबीएमआईआर प्रणालियों में किसी विशेष अध्ययन के लिए कौन सी तकनीक चुननी है, इस पर विचार करते समय विभिन्न बनावट सुविधा निष्कर्षण तकनीकों में से कौन सी किसी दिए गए प्रदर्शन मीट्रिक के लिए सबसे उपयुक्त है, इसका कोई स्पष्ट संकेत नहीं है। इसलिए, इस कार्य का उद्देश्य निम्नलिखित बनावट सुविधा निष्कर्षण तकनीकों के प्रदर्शन का तुलनात्मक मूल्यांकन करना है; स्थानीय बाइनरी पैटर्न (एलबीपी), गैबर फ़िल्टर, ग्रे-लेवल को-ऑक्यूरेंस मैट्रिक्स (जीएलसीएम), हैरालिक डिस्क्रिप्टर, त्वरित सेगमेंट टेस्ट (एफएएसटी) से सुविधाएँ और त्वरित सेगमेंट टेस्ट और बाइनरी रोबस्ट इंडिपेंडेंट एलिमेंट्री फ़ीचर (एफएएसटी और बीआरआईईएफ) से सुविधाएँ मैट्रिक्स का उपयोग करके; परिशुद्धता, रिकॉल, एफ1-स्कोर, मीन स्क्वेर्ड एरर (एमएसई), सटीकता और समय। परिणाम प्राप्त करने के लिए इन तकनीकों को विशिष्ट समानता माप के साथ जोड़ा जाता है।

परिणाम: परिणामों से पता चला कि LBP, हरालिक डिस्क्रिप्टर, FAST और GLCM ने क्रमशः (परिशुद्धता और सटीकता), समय, F1-स्कोर और रिकॉल के मामले में सबसे अच्छे परिणाम दिए। LBP में क्रमशः परिशुद्धता और सटीकता के लिए 82.05% और 88.23% स्कोर थे। निम्नलिखित स्कोर क्रमशः हरालिक डिस्क्रिप्टर, FAST और GLCM मॉडल के प्रदर्शन को दर्शाते हैं; 0.88s, 38.7% और 44.82%। ये टेस्ट स्कोर 1 k-10.5 k तक के डेटासेट से प्राप्त किए गए हैं।

निष्कर्ष: LBP ने उल्लेखित अन्य 5 मॉडलों से बेहतर प्रदर्शन करने के अलावा, निम्नलिखित प्रस्तावित मॉडलों से भी बेहतर प्रदर्शन किया। टैमुरा टेक्सचर फीचर और वेवलेट ट्रांसफॉर्म को क्रमशः (परिशुद्धता, सटीकता और रिकॉल) और (परिशुद्धता और रिकॉल) के संदर्भ में हॉसडॉर्फ दूरी के साथ जोड़ा गया और संभवतः F1-स्कोर (क्योंकि F1-स्कोर परिशुद्धता और रिकॉल का भारित औसत है)। ऐसा माना जाता है कि LBP, हैरलिक डिस्क्रिप्टर और सपोर्ट वेक्टर मशीन (SVM) का एक समूह मेडिकल इमेज रिट्रीवल और वर्गीकरण दोनों के लिए एक मजबूत प्रणाली का प्रतिनिधित्व कर सकता है।