Computational analysis of textures related to idiopathic interstitial pneumonia

Abstract

In dieser Arbeit werden Texturmerkmale verglichen um pathologische Lungengewebeveränderungen, die mit der diffusen parenchymalen Lungenkrankheit in Verbindung stehen und in hochauflösenden Computertompgraphie (HRCT) Bildern zu sehen sind, vollautomatisch zu quantifizieren.<br />Texturmerkmale wurden als lokale Merkmale und mit dem sogenannten Bag of Features Ansatz implementiert und miteinader bezüglich ihrer Klassifizierungsperformance verglichen.<br />Ein Feature Selection Algorithmus wurde implementiert um auch die Klassifizierungsperformance einer Auswahl der besten Merkmale testen zu können. Weiters wird die Stabilität von Klassenlabels, die von einem Klassifikator generiert wurden, mit der Stabilität von Groundtruthlabels verglichen.<br />Die Methode wird mit 97 HRCT Aufnahmen pathologischer Lungen evaluiert.<br />Die Schichtdicke der Bilder beträgt 1mm und die Bilderschichten haben einen Abstand von 10mm. Die Groundtruth wurde von drei Radiologen erstellt. Es wurden Regionen mit gesundem Gewebe und pathologische Muster eingezeichnet (Emphysema, Milchglas, Fibrosis und Mikroknoten).<br />Texturmerkmale basierend auf Grauwerthistogrammen, Haralickfeatures, Local Binary Patterns, einer Gausschen Filterbank und von Rieszfeatures wurden als lokale Merkmale und als Bag of Features berechnet. Alle Merkmale wurden basierend auf ihrer Klassifizierungsperformance in einer zehn fachen Kreuzvalidierung verglichen. Als Klassifikator wurde ein Random Forest gewählt, der auch Information über dieWichtigkeit von einzelnenMerkmalen einer Klassifizierung zur Verfügung stellt.<br />Haralickfeatures schneiden mit 69; 59% Klassifizierungsperformance als beste von den lokalen Merkmalen ab. Die besten Texturmerkmale in der Bag of Features Formulierung sind Local Binary Patterns mit 76; 17% Klassifizierungsperformance. Feature Selection verbessert die Klassifizierungsperformance nicht. 71% der Groundtruthlabels werden als stabil erachtet. Automatisch generierte Labels des Klassifikators erreichen eine leicht höhere Stabilität.<br />Die Resultate empfehlen Local Binary Patterns in der Bag of Features Formulierung als effiziente Texturmerkmale für Lungentexturklassifizierung. Die Variabilität der Groundtruth stellt ein Problem dar und sollte in zukünftiger Arbeit genauer untersucht werden.<br />

This work compares texture features for fully automated quantification of Diffuse Parenchymal Lung Disease (DPLD) related pathological tissue in High Resolution Computed Tomography (HRCT) images. Features are implemented as classical local texture features and with the Bag of Features approach. Feature selection is tested as well.<br />Furthermore, the stability of automatically generated class labels compared to ground truth labels is analyzed.<br />The approach was evaluated on 97 HRCT images of pathological lung tissue. Slice thickness was 1mm and inter-slice distance 10mm. A ground truth containing healthy and four pathologic patterns (emphysema, ground glass, fibrosis, micronodules) with dileniated regions created by three radiologists was available. We generated texture features (Gray Level Histograms, Local Binary Patterns, Haralick features, a Gaussian Filterbank and Riesz features) and evaluated the classification performance on of the two texture formulations on volume level with a 10-fold cross validation.<br />Random Forests were used as classifier, providing additional information of feature importance to be used for feature selection.<br />Haralick features performed best as local texture features with 69.59% classification accuracy.<br />With 76.17% Local Binary Patterns reach the highest performance in the Bag of Features formulation in manually generated regions of the ground truth. Feature selection does not improve classification results significantly. Ground truth class labels reach a stability of 71%. This stability is slightly outperformed by automatically generated labels.<br />The results suggest the use of Local Binary Patterns, as computationally efficient local texture features in combination with the Bag of Features approach. This feature formulation provides high flexibility together with efficiency. Lung texture classification applications have to get more independent of mannually created ground truth.<br />