طبقه‌بندی بافت‌های تومور در تصاویر بافت‌شناسی سرطان استخوان با استفاده از pls-lda

یادگیری ماشین به عنوان یک شاخه‌ی علمی شناخته‌شده جهت بهبود دقت پیش‌بینی، کاربرد گسترده‌ای در طبقه‌بندی تصاویر پزشکی دارد. به‌طور‌کلی مساله طبقه‌بندی مبتنی بر یادگیری ماشین را می‌توان در چهار بخش جمع-آوری داده، استخراج ویژگی، آموزش و ارزیابی مدل نهایی بر روی داده‌های آزمون در نظر گرفت. در بین این مراحل، استخراج ویژگی یک مرحله مهم وچالشی به حساب می‌آید. در این مقاله سه رویکرد مختلف برای استخراج ویژگی جهت طبقه‌بندی تصاویر بافت‌شناسی تومور استخوان بررسی شده‌است. در رویکرد اول یکسری ویژگی‌های آماری (ماتریس هم‌رخداد سطوح خاکستری، الگوی دودویی محلی و اعمال این الگو روی تصاویر حاصل از لبه‌یاب کنی) از تصاویر استخراج شده است. در رویکرد دوم به منظور بهبود صحت طبقه‌بندی بدست آمده از رویکرد اول الگوریتم کاهش بُعد lda روی ترکیب بهترین ویژگی‌های آماری بدست آمده در رویکرد اول اعمال شده‌است. در رویکرد سوم که بهترین صحت در طبقه‌بندی را ایجاد کرد از ترکیب دو الگوریتم کاهش بُعد pls و lda جهت استخراج ویژگی‌های مناسب استفاده شد و صحت 0.97 درصد در طبقه‌بندی مجموعه‌داده‌ به دست آمد. رویکرد سوم به عنوان روش‌ پیشنهادی (pls-lda‎) جهت حل مسئله طبقه‌بندی در شرایطی که تعداد کمی تصاویر پزشکی برچسب‌گذاری شده موجود باشد، نسبت به روش‌های مبتنی بر یادگیری عمیق که به حجم انبوهی از داده‌ی برچسب‌گذاری شده نیاز دارند انتخاب مناسب و کارایی می‌باشد.