Adaptive Local Binary Pattern: A Novel Feature Descriptor for Enhanced Analysis of Kidney Abnormalities in CT Scan Images using ensemble based Machine Learning Approach

要約

腎臓専門医の不足と腎不全に対する公衆衛生上の懸念の高まりにより、腎臓の異常を自律的に検出できる AI システムの需要が高まっています。
腎機能の段階的な低下を特徴とする腎不全は、嚢胞、結石、腫瘍などの要因によって引き起こされる可能性があります。
慢性腎臓病は最初は気づかれない可能性があり、進行した段階に達するまで治療が受けられないことがあります。
このデータセットはダッカの複数の病院からの 12,427 枚の画像で構成され、嚢胞、腫瘍、結石、正常の 4 つのグループに分類されました。
当社の方法論は、クロッピング、サイズ変更、および CALHE 技術を使用して CT スキャンの画質を向上させ、その後、当社が提案する適応ローカル バイナリ パターン (A-LBP) 特徴抽出方法を使用して特徴抽出を行い、最先端のローカル バイナリ パターンと比較することを目的としています。
（LBP）方式。
私たちが提案した特徴は、ランダム フォレスト、デシジョン ツリー、ナイーブ ベイズ、K 最近傍、SVM などの分類器に組み込まれました。
私たちは、タスクのためのより堅牢なモデルを取得するために、ソフト投票を備えたアンサンブル モデルを調査しました。
特徴記述子と 5 つの分類器 (ランダム フォレスト、デシジョン ツリー、ナイーブ ベイズ、K 最近傍、サポート ベクター マシン) をソフト投票法でアンサンブルして、99% 以上の最高精度を達成しました。

要約(オリジナル)

The shortage of nephrologists and the growing public health concern over renal failure have spurred the demand for AI systems capable of autonomously detecting kidney abnormalities. Renal failure, marked by a gradual decline in kidney function, can result from factors like cysts, stones, and tumors. Chronic kidney disease may go unnoticed initially, leading to untreated cases until they reach an advanced stage. The dataset, comprising 12,427 images from multiple hospitals in Dhaka, was categorized into four groups: cyst, tumor, stone, and normal. Our methodology aims to enhance CT scan image quality using Cropping, Resizing, and CALHE techniques, followed by feature extraction with our proposed Adaptive Local Binary Pattern (A-LBP) feature extraction method compared with the state-of-the-art local binary pattern (LBP) method. Our proposed features fed into classifiers such as Random Forest, Decision Tree, Naive Bayes, K-Nearest Neighbor, and SVM. We explored an ensemble model with soft voting to get a more robust model for our task. We got the highest of more than 99% in accuracy using our feature descriptor and ensembling five classifiers (Random Forest, Decision Tree, Naive Bayes, K-Nearest Neighbor, Support Vector Machine) with the soft voting method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google