Feature Selection Methods in Image-Based Screening for the Detection of Hashimoto’s Thyroiditis in First-Contact Hospitals

• Authors: Zbigniew Omiotek , Andrzej Burda

Title variants

PL

Metody selekcji cech w badaniach przesiewowych, realizowanych w szpitalach pierwszego kontaktu w kierunku wykrywania choroby Hashimoto

• Languages of publication: EN

Abstracts

EN

In this paper, results of dimension reduction in feature space for thyroid ultrasound images using the heuristic identification of noisy variables, testing the significance of correlation coefficients and the method of Hellwig index of information capacity, have been compared. The best results were achieved using the Hellwig method. It enabled us to choose only 3 features from a large set of 283 discriminant ones. Classifiers built on the basis of this reduced set of features have the highest classification sensitivity (0,82) and the highest classification specificity (0,83 ) in comparison to other reduced datasets that we used in our research. Results showed that the Hellwig method can be used as an effective process for dimension reduction in feature space in classification of thyroid ultrasound images.

PL

W pracy porównano wyniki redukcji wymiaru przestrzeni cech dla obrazów USG tarczycy, uzyskane za pomocą heurystycznej identyfikacji zmiennych zakłócających (HINoV), testowania istotności współczynników korelacji oraz metody wskaźników pojemności informacyjnej Hellwiga. Najlepsze efekty uzyskano za pomocą metody Hellwiga, która pozwoliła wybrać tylko 3 cechy z pełnego zbioru liczącego 283 cech dyskryminacyjnych. W porównaniu z innymi, zredukowanym zbiorami danych, które wykorzystywane były w badaniach, klasyfikatory zbudowane na podstawie tych trzech cech mają największą wrażliwość (0,82) oraz specyficzność (0,83) klasyfikacji. Badania wykazały, że metoda Hellwiga może być stosowana jako skuteczny sposób zmniejszania wymiaru danych w klasyfikacji obrazów USG tarczycy, mającej na celu rozpoznawanie choroby Hashimoto.

Keywords

EN

feature selection; texture classification; HINoV; Hellwig method; Spearman correlation; Hashimoto’s thyroiditis

• Publisher: Wyższa Szkoła Zarządzania i Administracji w Zamościu
• Journal: Barometr Regionalny. Analizy i prognozy
• Year: 2016
• Issue: 2(44)
• Pages: 187-196

Contributors

author

Zbigniew Omiotek

• Lublin University of Technology

author

Andrzej Burda

• University of Management and Administration in Zamość

References

• Breiman, L. 1996. “Bagging Predictors.” Machine Learning no. 24 (2):123–140. doi: 10.1023/A:1018054314350.
• Breiman, L. 2001. “Random Forests.” Machine Learning no. 45 (1):5–32. doi: 10.1023/A:1010933404324.
• Breiman, L., J.H. Friedman, R.A. Olshen, and C.J. Stone. 1984. Classification and Regression Trees, The Wadsworth Statistics/Probability Series. Belmont, Calif.: Wadsworth International Group.
• Carmone Jr, F.J., A. Kara, and S. Maxwell. 1999. “HINoV: A New Model to Improve Market Segment Definition by Identifying Noisy Variables.” Journal of Marketing Research no. 36 (4):501–509. doi: 10.2307/3152003.
• Enas, G.G., and S.C. Choi. 1986. “Choice of the Smoothing Parameter and Efficiency of K-Nearest Neighbor Classification.” Computers & Mathematics with Applications-Part A no. 12 (2):235–244. doi: 10.1016/0898–1221(86)90076–3.
• Fisher, R.A. 1936. “The Use of Multiple Measurements in Taxonomic Problems.” Annals of Eugenics no. 7 (2):179–188. doi: 10.1111/j.1469–1809.1936.tb02137.x.
• Freund, Y., and R.E. Schapire. 1997. “A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting.” Journal of Computer and System Sciences no. 55 (1):119–139. doi: 10.1006/jcss.1997.1504.
• Haralick, R.M. 1979. “Statistical and Structural Approaches to Texture.” Proceedings of the IEEE no. 67 (5):786–804. doi: 10.1109/Proc.1979.11328.
• Haralick, R.M., Shanmuga.K, and I. Dinstein. 1973. “Textural Features for Image Classification.” IEEE Transactions on Systems Man and Cybernetics no. Smc3 (6):610–621. doi: 10.1109/Tsmc.1973.4309314.
• Hellwig, Z. 1968. “On the Optimal Choice of Predictors.” In Toward a System of Quantitative Indicators of Components of Human Resources Development, edited by Z. Gostkowski. Paryż: UNESCO.
• Hothorn, T., and B. Lausen. 2005. “Bundling Classifiers by Bagging Trees.” Computational Statistics & Data Analysis no. 49 (4):1068–1078. doi: 10.1016/j.csda.2004.06.019.
• Hu, Y., and T.J. Dennis. 1994. “Textured Image Segmentation by Context Enhanced Clustering.” IEE Proceedings-Vision Image and Signal Processing no. 141 (6):413–421. doi: 10.1049/ip-vis:19941548.
• Koronacki, J., and J. Ćwik. 2005. Statystyczne systemy uczące się. Warszawa: Wydawnictwa Naukowo-Techniczne.
• Lerski, R.A., K. Straughan, L.R. Schad, D. Boyce, S. Bluml, and I. Zuna. 1993. “MR Image Texture Analysis — an Approach to Tissue Characterization.” Magnetic Resonance Imaging no. 11 (6):873–887. doi: 10.1016/0730–725x(93)90205-R.
• Liao, S.H., P.H. Chu, and P.Y. Hsiao. 2012. “Data Mining Techniques and Applications — A Decade Review from 2000 to 2011.” Expert Systems with Applications no. 39 (12):11303–11311. doi: 10.1016/j.eswa.2012.02.063.
• Ligęza, A. 2006. Logical Foundations for Rule-Based Systems, Studies in Computational Intelligence. Berlin – New York: Springer.
• Omiotek, Z., A. Burda, and W. Wójcik. 2013. “The Use of Decision Tree Induction and Artificial Neural Networks for Automatic Diagnosis of Hashimoto’s Disease.” Expert Systems with Applications no. 40 (16):6684–6689. doi: 10.1016/j.eswa.2013.03.022.
• Omiotek, Z., A. Burda, and W. Wójcik. 2015. “Application of Selected Classification Methods for Detection of Hashimoto’s Thyroiditis on the Basis of Ultrasound Images.” In Computational Intelligence, Medicine and Biology: Selected Links, edited by K. Pancerz and E. Zaitseva, 23–37. Cham u.a.: Springer.
• Omiotek, Z., and W. Wójcik. 2014. “Zastosowanie metody Hellwiga do redukcji wymiaru przestrzeni cech obrazów USG tarczycy.” Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska (3):14–17.
• Tadeusiewicz, R. 1993. Sieci neuronowe. 2nd ed., Problemy Współczesnej Nauki i Techniki Informatyka. Warszawa: Akademicka Oficyna Wydawnicza RM.
• Walesiak, M. 2005. “Problemy selekcji i ważenia zmiennych w zagadnieniu klasyfikacji.” Prace Naukowe AE we Wrocławiu. Taksonomia 12 (1076):106–118.
• Walesiak, M., and E. Gatnar. eds. 2009. Statystyczna analiza danych z wykorzystaniem programu R. Warszawa: Wydawnictwo Naukowe PWN.