Classification of Cell Images Using MPEG-7-influenced Descriptors and Support Vector Machines in Cell Morphology

Counting and classifying blood cells is an important diagnostic tool in medicine. Support Vector Machines are increasingly popular and efficient and could replace artificial neural network systems. Here a method to classify blood cells is proposed using SVM. A set of statistics on images are implemented in C++. The MPEG-7 descriptors Scalable Color Descriptor, Color Structure Descriptor, Color Layout Descriptor and Homogeneous Texture Descriptor are extended in size and combined with textural features corresponding to textural properties perceived visually by humans. From a set of images of human blood cells these statistics are collected. A SVM is implemented and trained to classify the cell images. The cell images come from a CellaVision DM-96 machine which classify cells from images from microscopy. The output images and classification of the CellaVision machine is taken as ground truth, a truth that is 90-95% correct. The problem is divided in two — the primary and the simplified. The primary problem is to classify the same classes as the CellaVision machine. The simplified problem is to differ between the five most common types of white blood cells. An encouraging result is achieved in both cases — error rates of 10.8% and 3.1% — considering that the SVM is misled by the errors in ground truth. Conclusion is that further investigation of performance is worthwhile. Klassificering av cellbilder med hjälp av MPEG-7-inspirerade m̊att och support vector machines i cellmorfologi Sammanfattning—Att räkna och klassificera blodceller är ett viktigt diagnostiskt redskap inom läkarvetenskapen. Support Vector Machines är effektiva, ökar i popularitet och kan ersätta artificiella neurala nätverkssystem. Här föresl̊as en metod för att klassificera blodceller m.h.a. SVM. En mängd statistika p̊a bilder implementeras i C++. De s.k. MPEG-7 descriptors Scalable Color Descriptor, Color Structure Descriptor, Color Layout Descriptor och Homogeneous Texture Descriptor utvidgas i storlek och kombineras med textur-mått motsvarande textur-egenskaper som uppfattas visuellt av människor. Fr̊an en mängd bilder av mänskliga blodceller samlas dessa mått. En SVM implementeras och tränas att klassificera cellbilderna. Cellbilderna kommer fr̊an en CellaVision DM-96 som klassificerar celler fr̊an mikroskoperade bilder. Bilderna och dess klasser fr̊an en CellaVision DM-96-maskin tas som facit, ett facit som är 90-95% korrekt. Problemet delas i tv̊a — det primära och det förenklade. Det primära problemet är att skilja mellan de klasser som CellaVisions maskin gör. Det förenklade problemet är att skilja mellan de fem vanligaste typerna av vita blodkroppar. Ett glädjande resultat uppn̊as i b̊ada fallen — felfrekvenser om 10,8% och 3,1% — med tanke p̊a att SVM missleddes av felen i det tagna facitet. Slutsatsen är att vidare studier ang̊aende prestanda är lönsamma. to Britta, to my family