Scale Adaptive Local Binary Pattern を用いた皮膚鏡検査におけるメラノーマの検出

Detecting Melanoma in Dermoscopy Images Using Scale Adaptive Local Binary Pattern
IEEE Transactions on Biomedical Engineering  Vol.59 No.10 pp.2893-2904 2012
20170914_nishida

コンピュータビジョンの分野における近年の進歩は,患者の黒色腫の検出のための様々な診断支援システムの開発につながっている.テクスチャと色は黒色腫の検出に不可欠な2 つの基本的な視覚的特徴と考えられている.本論文では,皮膚鏡検査画像の分類にテクスチャと色の特徴を組み合わせて使用することを提案する.テクスチャ特徴量は,各ピクセルに対してスケール適応型パターンを抽出するLBP からなり,続いて,ヒストグラムを構築した.色特徴量抽出のために,我々は標準HSV ヒストグラムを使用した.抽出された特徴は連結されて画像の特徴ベクトルを形成し,続いてSupport Vector Machine(SVM)を用いて分類される.実験は,提案された特徴セットが他の最先端の選択肢と比較して良好な分類性能を示すことを示す.

テクスチャ分類のためのConvolutional Neural Networks におけるフィルタバンクの使用

Using Filter Banks in Convolutional Neural Networks for Texture Classi cation
arXiv preprint arXiv:1601.02919, 2015
20160201_rtamura

深層学習は,過去10年間で,物体認識,場面認識,音声認識のような分野において数多くの新しい最高水準の技術的解決を記録している.特に,ConvolutionalNeuralNetwork(CNN)は物体検出や認識タスクにおいて優秀な成果を出している深層学習の一種である.CNNの構造は,物体のパーツや物体そのものを意味する本質的な特徴を学習と分類を行うことで,物体の解析に実によく適している.しかしながら,一部の物体の特徴はテクスチャ解析方法と非常に類似している.CNNの層は,層の増加により,複雑性のフィルタバンクとしてみなすことができる.フィルタバンクは,テクスチャ解析において,テクスチャの特徴量抽出の強力なツールであり,広く利用されている.本稿では,この見解を調査するために,テクスチャCNN(T-CNN)と呼ばれる,シンプルなネットワーク構造を開発する.標準的なCNNの全結合層によって抽出される全体的な形状情報はテクスチャ解析においてあまり重要ではないという考えがある.したがって,我々は全結合層に接続する最後の畳み込み層からエネルギー尺度を格納する.我々は,この提案手法がネットワークの性能を向上させ,その上,大いにメモリ使用量と計算量を減少させた.

拡大内視鏡画像の分類のための多方向多重解像度による特徴量抽出

Feature extraction from multi-directional multi-resolution image transformations for the classi cation of zoom-endoscopy images
Pattern Analysis and Applications, Vol. 12, No. 4, pp.407{413, 2009

20150518 hayashinuma

本稿では,拡大内視鏡画像の分類することを目的にガボールウェーブレット変換のサブバンドおよびデュアル
ツリー複素ウェーブレット変換より得られる画像の特徴量の識別力について議論する.我々はカラーテャンネル
情報を分類のプロセスに組み込み,輝度値のみに基づく画像の解析と比較して優れた分類結果であることを示す.

カプセル内視鏡動画におけるテクスチャ及びカラーベースの画像領域分割と病態検出

20150427 hayashinuma

Texture and color based image segmentation and pathology detection in capsule endoscopy videos
Computer Methods and Programs in Biomedicine, Vol. 113, No. 1, pp.396{411, 2014
本論文ではワイヤレスカプセル内視鏡(WCE)画像の探究的解析を行うために,いくつかの手法について綿密な研究について示す.胃腸の様々な異常に対応する画像領域の可変的なテクスチャとカラーベースの記述子がWCEフレーム内にある病変を正確に検出することを検証する.さらに,近傍のテクスチャ特徴で記述された単一ピクセルを分類することにより,画像は画像の内容と整合性の取れた領域に分割される.検出と領域分割のいずれの手法も特徴量算出や特徴量のサブセットの選択,分類の段階で構成される同じ手順が適用される.この一般的な3段階フレームワークは様々な認識の戦略を用いて実現される.具体的には,開発されたベクターサポート凸包分類アルゴリズムの性能が2 つの異なる特徴量選択手法で構成されるサポートベクターマシンと比較される.