ИССЛЕДОВАНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА СЕГМЕНТИРОВАННЫХ ОБЪЕКТОВ НА ЛЮМИНЕСЦЕНТНЫХ ИЗОБРАЖЕНИЯХ РАКОВЫХ КЛЕТОК
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Аннотация
Исследованы методы классификации для анализа многоканальных изображений раковых клеток опухоли молочной железы. Каждый объект описывался 13 признаками, из которых 11 признаков описывали форму, 2 признака – цвет. Для тестирования использовался метод перекрестной проверки с контролем по отдельному объекту. Рассмотрены следующие методы: линейного и квадратичного дискриминантного анализа, наивный байесовский классификатор, многослойный персептрон, случайного леса, опорных векторов. Наилучшие результаты классификации получены для метода случайного леса, который показал точность классификации 0,97 при использовании всех признаков. Точность классификации этим методом на основе только признаков цвета – 0,96, а при классификации на основе только признаков формы – 0,92. Следующим по точности классификации является метод линейного дискриминантного анализа, обеспечивающий точность классификации 0,97 по всем признакам, 0,96 – по признакам цвета и 0,90 – по признакам формы. Наихудшие результаты получены для многослойного персептрона.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Программный пакет CELLDATAMINER для анализа люминесцентных изображений раковых кле-ток / Е.В. Лисица [и др.] // Информатика. – 2015. – № 4. – Стр. 73–84.
Третьяк, И.Ю. Клинико-морфологическая характеристика пациентов с отечноинфильтративной формой рака молочной железы / И.Ю. Третьяк, Ю.Е. Демидчик, С.А. Костюк // Актуальные вопросы ди-агностики и лечения злокачественных новообразований : материалы респ. науч.-практ. конф., посвященной 40-летию кафедры онкологии БГМУ, Минск, 21 нояб. 2014 / Белорус. гос. мед. ун-т ; под общ. ред. проф. А.В. Прохорова. – Минск, 2014. –С.102–106.
Paulin, F. and Santhakumaran, A. Extracting rules from feed forward neural networks for diagnosing breast cancer / F. Paulin, A. Santhakumaran // Artificial Intelligent Systems and Machine Learning. – 2009. – V. 1, № 4 – P. 143–146.
Global and Local Structure Preservation for Feature Selection / X. Liu [et al.] // Neural Networks and Learning Systems, IEEE Transactions. – 2013. – V. 99 – P. 1.
Hota, H. Diagnosis of breast cancer using intelligent techniques / H. Hota // Int J Emerg Sci Eng (IJESE). –2013. –V. 1, № 3 –P. 45–53.
Reif, M. Efficient feature size reduction via predictive forward selection / M. Reif, F. Shafait // Pattern Recognition. – 2014. – V. 47, № 4 – P. 1664–1673.
Cancer worldwide // World cancer report 2014 / B. Stewart, C. P. Wild. ‒ WHO, 2016. ‒ P. 16–81.
Gayathri, B. Breast cancer diagnosis using machine learning algorithms –ASurvey / B. Gayathri, C. Sumathi, T. Santhanam // International Journal of Distributed and Parallel Systems. – 2013. – 4(3). – P. 105.
Digital quantitative measurements of gene expression / V. Mikkilineni [et al.] // Biotechnology and bioengi-neering. ‒2004. ‒ № 86, V. 2. ‒ P. 117‒124.
Spatial quantitative analysis of fluorescently labeled nuclear structures: problems, methods, pitfalls / O. Ronneberger [et al.] // Chromosome Res. ‒ 2008. ‒ № 16, V. 3. ‒ P. 523‒562.
Алгоритм автоматической сегментации границ ядер раковых клеток на трехканальных люминесцентных изображениях / Лисица Е.В. [и др.] // Журнал прикладной спектроскопии. – 2015. – № 82, Т. 4. – С. 598–607.
Stabenfeldt, S.E. Current trends in biomarker discovery and analysis tools for traumatic brain injury / S.E. Stabenfeldt, B.I. Martinez // Journal of Biological Engineering. ‒ 2019. ‒ № 13, V. 16. ‒ P. 1–12.
Интеллектуальный анализ данных : пособие / Н.Н. Яцков. – Минск : БГУ, 2014. – 151 с.
MaGIC: a machine learning tool set and web application for monoallelic gene inference from chromatin / S. Vinogradova [et al.] // BMC Bioinformatics. – 2019. – № 20, V. 1. – P. 106–111.
Neumann, U. EFS: an ensemble feature selection tool implemented as R-package and web-application / U. Neumann, N. Genze, D. Heider // BioData Mining. – 2017. – № 10, V. 21.
Отбор характеристик распределения интенсивности в цветовых каналах на люминесцентных изображениях раковых клеток / Е. В. Лисица [и др.] // Журнал прикладной спектроскопии. – 2019. – Т. 86, № 3 – С. 394–400.
Отбор информативных геометрических признаков ядер клеток на люминесцентных изображениях раковых клеток / Е. В. Лисица [и др.] // Информатика. – 2019. – Т. 16, № 2 – С. 16–26.
Machine Learning-based Analysis of Rectal Cancer MRI Radiomics for Prediction of Metachronous Liver Metastasis / M. Liang [et al.] // Acad Radiol. – 2019. [Epub ahead of print].
Constructing Prediction Model of Lung Cancer Recurrence Risk Using Gene Function Clustering and Machine Learning / J. Zhong [et al.] / Comb Chem High Throughput Screen.
Tackling the poor assumptions of naive bayes text classifiers / J.D. Rennie [et al.] // Proceedings of the Twentieth International Conference on Machine Learning (ICML-2003). ‒ Washington DC, 2003. ‒ P. 616–623.
Hastie, T. The Elements of Statistical Learning / T. Hastie, R. Tibshirani, J. Friedman. ‒ Springer, 2009. ‒ P. 106–119.
Guyon, I. Automatic Capacity Tuning of Very Large VC-dimension Classifiers / I. Guyon, B. Boser, V. Vapnik // Advances in neural information processing. ‒ 1993.
Cortes, C. Support-vector networks / C. Cortes, V. Vapnik // Machine Learning. ‒ 1995. – V. 20. ‒ P. 273–297.
Classification and Regression Trees / L. Breiman [et al.] // Wadsworth, Belmont-CA. ‒ 1984.
Scikit-learn: Machine Learning in Python / Pedregosa [et al.] // JMLR. ‒ 2011. – V. 12, ‒ P. 2825–2830.
Machine learning models in breast cancer survival prediction / M. Montazeria [et al.] // Technology and Health Care. –2016.
Artificial Neural Networks in Image Processing for Early Detection of Breast Cancer / M.M. Mehdy [et al.] // Comput Math Methods Med. – 2017.
Assessing Breast Cancer Risk with an Artificial Neural Network / M. Sepandi [et al.] // Comput Math Methods Med. –2017.
Application of artificial neural network model combined with four biomarkers in auxiliary diagnosis of lung cancer / Xiaoran Duan [et al.] // Med Biol Eng Comput. – 2017. – № 55, V. 8. – P. 1239–1248.
Korhani Kangi, A. Predicting the Survival of Gastric Cancer Patients Using Artificial and Bayesian Neural Networks / A. Korhani Kangi, A. Bahrampour // Asian Pac J Cancer Prev. – 2018. – № 19, V. 2. – P. 487–490.
Delen, D. Predicting breast cancer survivability: a comparison of three data mining methods / D. Delen, G. Walker, A. Kadam // Artificial intelligence in medicine. – 2005. – № 34, V. 2. – P. 113–127.
Jiang, W. A naive Bayes algorithm for tissue origin diagnosis (TOD-Bayes) of synchronous multifocal tumors in the hepatobiliary and pancreatic system / W. Jiang [et al.] // Int J Cancer. – 2018. – № 42, V. 2. – P. 357–368.
Maniruzzaman, Md. Comparative Approaches for Classification of Diabetes Mellitus Data: Machine Learning Paradigm / Md. Maniruzzaman // Computer Methods and Programs in Biomedicine. – 2017. – V. 152. – P. 23–34.
Applications of Support Vector Machine (SVM) Learning in Cancer Genomics / S. Huang [et al.] // Cancer Genomics Proteomics. – 2018. – № 15, V. 1. – P. 41–51.
Viswanath, S.E. Comparing radiomic classifiers and classifier ensembles for detection of peripheral zone prostate tumors on T2-weighted MRI: a multi-site study / S.E.Viswanath [et al.] // BMC Med Imaging. – 2019. – № 19, V. 1. – P. 22–34.
Predictors of the therapeutic effect of corticosteroids on radiation-induced optic neuropathy following naso-pharyngeal carcinoma/ B. Zheng [and et.] // Support Care Cancer. – 2019.
Prostate cancer prediction using the random forest algorithm that takes into account transrectal ultrasound findings, age, and serum levels of prostate-specific antigen / L.H. Xiao [et al.] // Asian J Androl. – 2017. – № 19, V. 5. – P. 586–590.
Camp, R.L. Validation of tissue microarray technology in breast carcinoma / R.L. Camp, L.A. Charette, D.L. Rimm // Lab Invest. – 2000. – № 80, V. 12. – P. 1943–1949.
Zhang, H. The optimality of Naive Bayes / H. Zhang // Proc. FLAIRS. ‒ 2004. – № 1, V. 2. ‒ P. 1–6.
Kohavi, R. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection / R. Kohavi // Intl. Jnt. Conf. AI Montreal, Quebec, Canada. ‒ 1995. ‒ V. 2 ‒ P. 1137–1143.