Classification of follicular lymphoma images: A holistic approach with symbol-based machine learning methods

Zusammenfassung

Mit Symbolen arbeitende maschinelle Lernverfahren werden nur selten in der Klassifikation und Diagnostik von Bildern eingesetzt. In der vorliegenden Arbeit stellen wir ein solches Verfahren vor, das wir erstmals bei Bildern des follikulären Lymphoms eingesetzt haben. Das Lymphom ist ein weit gestreckter Begriff, der eine Reihe von Karzinomen des lymphatischen Systems beinhaltet. Ein Lymphom wird durch den Zelltyp der sich vermehrenden Zelle und durch die Erscheinungsart des Krebses differenziert. Eine exakte Diagnose des Lymphomtyps ist für die wirksamste Therapie des Patienten von essentieller Bedeutung. Unsere Arbeit war fokussiert auf die Identifikation von Lymphomen durch die Darstellung von Follikeln in Mikrosokop-Bildern, die uns vom Pathologie Labor des Universitäts-Spitals von Tenerifa (Spanien) zur Verfügung gestellt worden sind. Wir teilten unsere Arbeit in zwei Stadien ein: im ersten Stadium führten wir eine Vorverarbeitung der Bilder mit einer Extraktion der Merkmale durch. Im zweiten Stadium verwendeten wir verschiedene Methoden der mit Symbolen maschinell arbeitenden Lernmethoden zur Pixel-Klassifikation. Die mit Symbolen arbeitenden Lernmaschin-Methoden werden bei der Suche nach Bildanalysen oft vernachlässigt. Sie sind anerkannt zur Darstellung gut bekannter Bildern mit, allerdings nur mangelhafter, Einsetzbarkeit in der Verarbeitung durch Computer. Unsere Ergebnisse sind sehr vielversprechend und zeigen, dass Methoden mit Einsatz von Symbolen in der Anwendung zur Bildanalyse erfolgreich sein können.

Summary

It is not very often to see a symbol-based machine learning approach to be used for the purpose of image classification and recognition. In this paper we will present such an approach, which we first used on the follicular lymphoma images. Lymphoma is a broad term encompassing a variety of cancers of the lymphatic system. Lymphoma is differentiated by the type of cell that multiplies and how the cancer presents itself. It is very important to get an exact diagnosis regarding lymphoma and to determine the treatments that will be most effective for the patient's condition. Our work was focused on the identification of lymphomas by finding follicles in microscopy images provided by the Laboratory of Pathology in the University Hospital of Tenerife, Spain. We divided our work in two stages: in the first stage we did image pre-processing and feature extraction, and in the second stage we used different symbolic machine learning approaches for pixel classification. Symbolic machine learning approaches are often neglected when looking for image analysis tools. They are not only known for a very appropriate knowledge representation, but also claimed to lack computational power. The results we got are very promising and show that symbolic approaches can be successful in image analysis applications.