One-Class Classification for Gastrointestinal Endoscopy Images

Abstract

Machine learning is increasingly being applied in the medical field, offering promising tools for disease detection and diagnosis. However, many medical datasets are highly imbalanced, typically containing significantly more healthy than unhealthy cases. This imbalance poses challenges for traditional machine learning algorithms, which assume balanced class distributions. This thesis investigates the use of one-class classification methods to address the skewed nature of medical image datasets, with a specific focus on gastrointestinal endoscopy images from the publicly available Kvasir dataset.

Five support vector-based one-class classifiers are evaluated: One-Class Support Vector Machine (OC-SVM), Support Vector Data Description (SVDD), Subspace SVDD (SSVDD), Ellipsoidal Subspace SVDD (ESSVDD), and Graph-Embedded Subspace SVDD (GESSVDD). Including model variations, such as linear and non-linear, a total of 50 model configurations were tested. The features from the images were extracted using two pretrained convolutional neural networks (CNNs), VGG16 and VGG19, and three pretrained deep residual networks (ResNets), ResNet50v2, ResNet101v2, and ResNet152v2.

The results show that linear models generally outperform their non-linear counterparts, and features extracted using simpler CNN architectures yield better performance than those from ResNets. Among the models, OC-SVM achieved the best performance, reaching an accuracy of 82% and a G-mean score of 0.81 using features from VGG-based networks. These findings suggest that one-class classification may offer a useful approach for addressing imbalance in medical imaging datasets.

Koneoppimisen käyttö lääketieteellisissä sovelluksissa on yleistynyt merkittävästi, ja se tarjoaa uusia mahdollisuuksia sairauksien tunnistamiseen ja diagnosointiin. Lääketieteellisissä aineistoissa esiintyy kuitenkin usein voimakasta luokkien epätasapainoa: terveitä näytteitä on runsaasti, kun taas sairaita on vain vähän. Tämä epätasapaino haastaa perinteiset koneoppimismallit, jotka tyypillisesti olettavat aineiston olevan tasapainossa. Tässä kandidaatintyössä tutkitaan, voivatko yhden luokan luokitteluun perustuvat menetelmät tarjota ratkaisun tähän ongelmaan. Tutkimuskohteena ovat ruoansulatuskanavan tähystyskuvat, jotka on kerätty julkisesti saatavilla olevasta Kvasir-aineistosta.

Työssä arvioitiin viittä tukivektorikoneisiin pohjautuvaa yhden luokan luokittelijaa: One-Class Support Vector Machine (OC-SVM), Support Vector Data Description (SVDD), Subspace SVDD (SSVDD), Ellipsoidal Subspace SVDD (ESSVDD) sekä Graph-Embedded Subspace SVDD (GESSVDD). Mukaan lukien eri mallivariaatiot, kuten lineaariset ja epälineaariset, testattiin yhteensä 50 mallikokoonpanoa. Kuvien piirteet saatiin käyttäen kahta esikoulutettua konvolutionaalineuroverkkoa (VGG16 ja VGG19), sekä kolmea esikoulutettua syvää residuaalineuroverkkoa (Resnet50v2, ResNet101v2 ja ResNet152v2).

Tulosten perusteella lineaariset mallit suoriutuivat keskimäärin paremmin kuin epälineaariset, ja yksinkertaisemmilla konvoluutioverkoilla saatiin parempia tuloksia kuin syvemmillä ja monimutkaisemmilla residuaaliverkoilla. Parhaiten suoriutui OC-SVM, joka saavutti VGG-piirteillä 82% tarkkuuden ja G-mean-arvon 0.81. Nämä havainnot viittaavat siihen, että yhden luokan luokittelu voi tarjota varteenotettavan ratkaisun epätasapainoisten lääketieteellisten aineistojen analysointiin.