Kutistettujen hyperspektrikuvien luokittelija

Abstract

Convolutional neural networks have been successfully used in previous studies to classify medical hyperspectral images. Hyperspectral images are typically classified using semantic segmentation, where each pixel in the image is given a class based on its spectrum. With the help of semantic segmentation, it is possible to see exactly where there is disease or damage in the tissue. Hyperspectral images can also be classified as a whole, in which case a hyperspectral image is given one class based on its spectral properties. However, no previous research has been done on the classification of entire hyperspectral images. The goal of the research was to find out how hyperspectral images can be classified as a whole instead of semantic segmentation. The material of the study was the previously collected lesion material. The work sought and implemented a neural network architecture for the classification of whole hyperspectral images. In addition, the work investigated how the spatial reduction of hyperspectral images affects the classification accuracy. The neural network performed poorly in the classification of hyperspectral images. The classification accuracy improved when the size of the images was reduced spatially. The study gave indications that when classifying whole hyperspectral images, the spatial size should be small in order to maintain good classification accuracy.

Konvoluutioneuroverkkoja on käytetty aiemmissa tutkimuksissa onnistuneesti lääketieteellisten hyperspektrikuvien luokitteluun. Hyperspektrikuvia luokitellaan tyypillisesti semanttisen segmentoinnin avulla, jossa jokaiselle kuvan pikselille annetaan luokka sen spektrin perusteella. Semanttisen segmentoinnin avulla nähdään tarkasti, missä kohtaa kudosta on sairautta tai vauriota. Hyperspektrikuvia voidaan myös luokitella kokonaisina, jolloin hyperspektrikuvalle annetaan yksi luokka sen spektraalisten ominaisuuksien perusteella. Kokonaisten hyperspektrikuvien luokittelemisesta ei kuitenkaan ole tehty aiempaa tutkimusta. Tutkimuksen tavoitteena oli selvittää, miten hyperspektrikuvia voidaan luokitella semanttisen segmentoinnin sijaan kokonaisina. Tutkimuksen aineistona käytettiin valmiiksi kerättyä leesioaineistoa. Työssä etsittiin ja toteutettiin neuroverkkoarkkitehtuuri kokonaisten hyperspektrikuvien luokitteluun. Lisäksi työssä selvitettiin, miten hyperspektrikuvien pienentäminen spatiaalisesti vaikuttaa luokittelutarkkuuteen. Neuroverkko suoriutui heikosti hyperspektrikuvien luokittelusta. Luokittelutarkkuus parani kuvien kokoa spatiaalisesti pienennettäessä. Tutkimus antoi viitteitä siitä, että kokonaisia hyperspektrikuvia luokitellessa spatiaalisen koon tulee olla pieni, jotta luokittelutarkkuus säilyy hyvänä.