统计特征提取分类口腔癌

Anuradha.K^{1 *}k博士Sankaranarayanan领导²

研究学者,Karpagam大学,哥印拜陀,Tamilnadu,印度
学院院长,负责工程和技术,哥印拜陀,印度Tamilnadu kkd_sankar@yahoo.comd

通讯作者:Anuradha.K,电子邮件:k_anur@yahoo.com

文摘

口腔癌是最常见的癌症中发现男性和女性。该系统部分和分类口腔癌症在早期阶段。使用标记控制分水岭分割肿瘤检测。使用灰度特征提取有限公司发生矩阵应用灰度共生矩阵建立()能源、对比度、熵、相关性、同质性。提取的特征输入支持向量机(SVM)分类器分类肿瘤为良性或恶性。提出系统获得的精度是92.5%。

关键字

应用灰度共生矩阵建立标记控制分水岭算法,支持向量机

介绍

口腔癌是指癌症发生在头部和颈部区域[1]。印度占86%的口腔癌病例[2]。口腔癌是最常见的癌症中发现男性和女性。咀嚼或吸烟是口腔癌的主要原因,一个条件号称10000人的生命,每年超过宫颈癌或恶性黑色素瘤。因为很难检测口腔癌早期,它有一个最严重的所有癌症的存活率,只有不到50%的病人在诊断后存活5年以上[3]。口腔癌的细胞开始口(口腔)。口腔是由许多地方像嘴唇,舌头,嘴唇和脸颊,硬腭(嘴)的屋顶,地板的口腔、牙龈和牙齿。口腔癌症每年增加近年来,更多的新口腔癌病例报道。“艾哈迈达巴德被认为是口腔癌的首都有40%的癌症记录被烟草和癌症引起的口主要gutkha咀嚼”[4]。

“马哈拉施特拉邦的口腔癌症发病率最高的世界”。常见的口腔黏膜白斑病癌前病变,erythroplakia和口服子——粘液纤维化(OSF)。口服癌前期的诊断和癌症牙科行业仍然是一个挑战,尤其是在检测、评价和管理的早期阶段改变或者弗兰克疾病[5]。口腔癌早期的症状包括:持续红色/白色补丁不愈合溃疡,进步的肿胀,突然的牙齿流动性没有明显的原因,不同寻常的口腔出血。尽管口腔癌容易检测,识别在初始阶段变得困难。口腔癌可以节省生活如果他们早诊断。本文从口腔正常和异常的部分图像的分类。拟议的工作是如图1所示。

获得的输入图像数字化和预处理使用对比线性拉伸。图像增强后,肿瘤部分肿瘤的分割和特征提取使用灰度级有限公司——发生矩阵应用灰度共生矩阵建立()。性能测量是由识别图像中的异常部分。一旦发现异常部分,放射科医师建议活检。活检在口腔是一个痛苦的任务,只有患者检测到异常的部分建议。

本文的其余部分组织如下:第二部分描述了以前在这个领域工作。第三节描述了拟议的系统方法。第四节中给出的实验和结果。最后第五节描述提出工作的结论。

以前的工作

在文献中描述了各种技术在数字图像检测和分类癌症。很多研究已经完成对特征提取分类癌症。

Lalit古普塔等[6]提出了一种新的特征选择方法使用意味着——转变和递归特性消除技术提高辨别能力的特征向量。算法的性能评估已记录生活从正常光谱组成的数据集,恶性肿瘤,3例。上面的敏感性95%,特异性99%以上对恶性肿瘤得到了使用该方法。

塞巴斯蒂安·斯蒂格等[7]提出了一种新颖的方法图像特征提取方法,用来预测口腔癌症复发。几个数字图像特征描述肿瘤和淋巴结也提出了。为了自动提取这些特征登记和监督分割CT / MR图像形式的基础上自动提取几何和纹理特性的肿瘤和淋巴结。达到更高的精度和鲁棒性相比,今天的临床实践。米凯莱蒂等[8]分类基于统计形状分析肿瘤细胞。这里规模函数的理论介绍,加入了一些统计判别分析技术,进行自动分类的家庭随机形状。方法应用于正常和恶性肿瘤细胞核的分类,通过描述部分概要文件。结果报道在这里形状分析与其他技术相比,已经应用到相同的数据,显示出一些改进。

m . Muthu罗摩克里希南等[9]提出了基于小波的纹理分类口腔组织病理学部分。作为传统的方法包括染色强度,国米和内部观察者变异导致更高的误分类错误,提出了一种新方法。拟议的方法,包括使用小波变换特征提取,特征选择使用Kullback - Leibler .G(吉隆坡)。Landini[10]分析了神经根囊肿和牙原性角化上皮衬里结构应用图像处理算法遵循传统的基于细胞隔离的方法。这形成了后评估的组织层的基础水平和建筑口腔上皮细胞的分析。Jadhav等[11]进行组织学OSF的分割图像使用区域生长和混合分割算法。误分类率计算的算法。最后,混合分割方法发现适合在OSF图像分割的癌症。

而Kulhalli等[12]提出了一种计算机辅助诊断系统和安检测和口腔癌在切片图像进行分类。系统测试与许多不同类型的图像,发现是好的。

方法

如图1所示,该工作是在三个阶段进行。牙科X -射线数字化和作为输入。输入图像预处理去除噪声(图3)。后来,增强的图像分割检测肿瘤从图像和特征提取识别肿瘤为良性或恶性(图4)。

图像预处理:

第一阶段是图像预处理。所获得的输入图像预处理去除噪声的图像。本文使用线性对比度增强的线性扩展遥感数据的原始数字值到一个新的分布。增强的图像如图3所示。

图像分割:

从增强图像,肿瘤被发现使用图像分割算法。在[13],分割算法比较和标记控制分水岭分割发现是合适的。标记控制分水岭分割算法是用来从一段独特的边界图像[13]。分割的部分是显示在图4中,提取的特性。

特征提取:

特征提取方法捕获图像的视觉内容的索引和检索。特征提取是用来表示一个信息相关的求解计算任务相关的特定的应用程序。有两种类型的纹理特性测量。他们是一阶和二阶。在第一个订单,纹理措施从单个像素的统计计算,不考虑像素的邻居关系。强度计算一阶直方图和强度特性。在二阶,措施考虑邻居的关系之间的关系。应用灰度共生矩阵建立的是一个二阶结构计算。应用灰度共生矩阵建立在这个工作,从给定的输入图像纹理特征提取。

GLCM:

应用灰度共生矩阵建立灰度共生矩阵法()或同现分布(少同现矩阵或同现分布)是一个矩阵或分布在定义一个图像分布的共病的值在给定偏移量。应用灰度共生矩阵建立的是一个矩阵的行数和列数等于灰色的水平,G,因此在图像统计特性的使用是一个早期的方法在图像处理提出文学。Haralick[14]建议的使用同现矩阵或灰度共生矩阵法。它认为两个相邻像素之间的关系,第一个像素被称为参考和第二个被称为邻居像素。给图片我,大小N×N,同现,矩阵P可以被定义为:

值获得了各种肿瘤病例。获得的值确定的分类肿瘤为良性或恶性。

支持向量机分类器:

支持向量机(SVM)是监督学习模型与相关学习算法分析数据和识别模式,用于分类和回归分析。最初的支持向量机算法是由弗拉基米尔·n·Vapnik发明的,目前的标准Vapnik提出的化身(软边缘)和科琳娜1995年议会。基本支持向量机将一组输入数据和预测,对于每一个给定的输入,这两个类的形式输出。分类过程分为训练阶段和测试阶段。在训练阶段给出的已知数据和未知的数据在测试阶段。分类的准确性取决于效率。

实现:

实现该系统如图2所示,3、4。系统的主界面如图2所示。选择按钮图像预处理,图像加载然后预处理(图3)。预处理图像分割,并立即获得的特性。(图4)。

经过一系列的标记的操作控制的分割算法,分割肿瘤获得如图4所示。

绩效评价指标

使用不同的措施来评估系统的性能。使用的措施是分类精度(AC)和马修斯相关系数(MCC)。这些值混淆矩阵的计算。混淆矩阵(Kohavi和教务长,1998)包含实际和预测信息分类的分类系统。这种系统的性能通常是评估使用矩阵中的数据。下面的表显示了一个两类分类器的混合矩阵。

临床试验的敏感性是指测试的能力正确识别这些患者的疾病从方程计算4。

灵敏度:TP / (TP + FN) (4)

临床试验的特异性是指的能力测试正确识别这些患者没有疾病从方程计算5。

特异性:TN / (TN + FP) (5)

结果与讨论

提出工作27图像中随机挑选。纹理特征获得了分割的一部分应用灰度共生矩阵建立肿瘤(图4)。特性提取及其分类。从表3,我们观察各种样本图像的特征值。

和公式2、3、4和5。评价结果得到如下:

结论和未来的工作

在这部作品中,图像捕获并执行一系列操作识别分类为正常或异常。肿瘤分割使用标记控制分水岭分割和特征提取应用灰度共生矩阵建立使用。进一步支持向量机分类器是用来识别分类。应用灰度共生矩阵建立精度获得特征提取和MCC为0.85 92.5%。在未来,多个分类器的分类性能也会找到最好的分类器相比。

引用

Konstantinos p . Exarchos1 Yorgos Goletsis, Dimitrios Fotiadis1,异构数据统一”的口腔癌症复发的预测”2009年AIAI研讨会论文集,页24 - 35。
国家公共卫生研究所,2011年2月。
佩特拉·怀尔德史密斯,口腔癌的早期检测,TRDRP研究一个更健康的加州,www.trdrp.org。
达”Sharma,口腔癌病毒”,《印度时报》,2012年11月27日,http://articles.timesofindia.indiatimes.com/keyword/oral-cancer。
“诊断口腔癌理解你”,加拿大癌症协会。
Lalit Gupta Sarif Kumar奈克,Srinivasan Balakrishnan,“一个新的特征选择和分类方案筛选口腔癌用激光诱导荧光”,第一届生物识别技术国际会议论文集(ICMB ' 08),页1 - 8。
马吕斯Erdt,塞巴斯蒂安·斯蒂格詹弗兰科希阿里和乔治·萨卡人,“从医学图像特征提取的口腔癌症复发预测环境”,世界医学物理与生物医学工程大会,7 - 9月12日,2009年,德国慕尼黑。
米凯莱蒂A、g . Landini“大小功能应用于肿瘤细胞的统计形状分析和分类”,:ECMI2006 Springer学报》,2007年版。
m . Muthu罗摩克里希,Chandran Chakraborthy会Kumar雷,“口腔组织病理学部分基于小波的纹理分类”,国际期刊的显微镜,科学、技术、应用和教育,页897 - 906。
g . Landini。“神经根囊肿上皮衬里结构的定量分析和牙原性角化。”2006岁的头和脸医学2。
Jadhav。一个。S, S。巴纳吉,P.K.Dutta水银血压计保罗,m .朋友Banerjee p、k .乔杜里j . Chatterjee“定量分析癌前病变的组织病理学特征和条件使用图像处理技术”,《IEEE计算机医疗系统研讨会上02/2006。
而Kulhalli, V.T.帕蒂尔,稳压器Udupi”,图像处理计算机辅助诊断的癌症”,2012年国际会议上计算和管理的进步(ICACM 2012) 297 - 301。
k .阿Dr.K。Sankaranarayanan领导,“使用标记控制分割检测口腔肿瘤”,国际期刊《计算机应用,52卷,第二,2012年8月。15页-18。
k . Shanmugam r·m·i·h·汀斯坦Haralick和纹理特征的图像分类“IEEE系统,人与控制论3 (1973),610 - 621。