Distribution-based Low-rank Embedding

要約

乳房の異常を早期に発見することは非常に重要です。
特に、赤外線サーモグラフィーは、乳がんスクリーニングや臨床乳房検査 (CBE) における貴重なツールとして浮上しています。
不均一な熱パターンの測定は、計算ダイナミック サーモグラフィーを組み込むための鍵であり、行列因数分解技術によって実現できます。
これらのアプローチは、熱シーケンス全体から主要な熱パターンを抽出することに焦点を当てています。
しかし、一般的な時間的変化を効果的に表す主要な画像を選び出すという作業は、コンピューター サーモグラフィーの分野において依然として困難な課題です。
これに関連して、この課題に対応する 2 つの新しい戦略として、固有ベクトル (JSE) およびワイブル埋め込みアプローチに対する James-Stein の適用を提案します。
主な目的は、熱データ ストリームの低次元 (LD) 表現を作成することです。
この LD 近似は、乳がんの早期検出のために、サーモミクスを抽出し、最適化されたハイパーパラメーターを使用して分類モデルをトレーニングするための基礎として機能します。
さらに、行列分解法に対するさまざまな埋め込み付加物の比較分析を実行します。
提案された方法の結果は、支配的な基底ベクトルの投影が向上し、ワイブル埋め込みを使用して 81.7% (+/-5.2%) の分類精度をもたらし、以前に提案した他の埋め込みアプローチを上回っていることを示しています。
比較分析では、Sparse PCT と Deep SemiNMF がそれぞれ 80.9% と 78.6% という最高の精度を示しました。
これらの発見は、JSE およびワイブル埋め込み技術が、CBE の改善につながり、乳がんの非常に早期の検出を可能にするバイオマーカーとして重要な熱パターンを保存するのに実質的に役立つことを示唆しています。

要約(オリジナル)

The early detection of breast abnormalities is a matter of critical significance. Notably, infrared thermography has emerged as a valuable tool in breast cancer screening and clinical breast examination (CBE). Measuring heterogeneous thermal patterns is the key to incorporating computational dynamic thermography, which can be achieved by matrix factorization techniques. These approaches focus on extracting the predominant thermal patterns from the entire thermal sequence. Yet, the task of singling out the dominant image that effectively represents the prevailing temporal changes remains a challenging pursuit within the field of computational thermography. In this context, we propose applying James-Stein for eigenvector (JSE) and Weibull embedding approaches, as two novel strategies in response to this challenge. The primary objective is to create a low-dimensional (LD) representation of the thermal data stream. This LD approximation serves as the foundation for extracting thermomics and training a classification model with optimized hyperparameters, for early breast cancer detection. Furthermore, we conduct a comparative analysis of various embedding adjuncts to matrix factorization methods. The results of the proposed method indicate an enhancement in the projection of the predominant basis vector, yielding classification accuracy of 81.7% (+/-5.2%) using Weibull embedding, which outperformed other embedding approaches we proposed previously. In comparison analysis, Sparse PCT and Deep SemiNMF showed the highest accuracies having 80.9% and 78.6%, respectively. These findings suggest that JSE and Weibull embedding techniques substantially help preserve crucial thermal patterns as a biomarker leading to improved CBE and enabling the very early detection of breast cancer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google