Médecine

Paramédical

Autres domaines


S'abonner

Deep Learning Using Havrda-Charvat Entropy for Classification of Pulmonary Optical Endomicroscopy - 16/06/21

Doi : 10.1016/j.irbm.2021.06.006 
T. Brochet a, , J. Lapuyade-Lahorgue a, S. Bougleux b, M. Salaün c, S. Ruan a
a LITIS, Eq. Quantif, University of Rouen, France 
b GREYC, Eq. Image, Ensicaen, France 
c University Hospital of Rouen, France 

Corresponding author.
Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Wednesday 16 June 2021

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

The use of Havrda-Charvat in loss function generalizes the classical Shannon based cross-entropy.
Our method is promising for small annoted databases.
Havrda-Charvat is a parameterized entropy and one can choose the parameter to fit the data.
Our method aims to separate uninformative optical images from informative ones.

Le texte complet de cet article est disponible en PDF.

Abstract

1) Objective

Pulmonary optical endomicroscopy (POE) is an imaging technology in real time. It allows to examine pulmonary alveoli at a microscopic level. Acquired in clinical settings, a POE image sequence can have as much as 25% of the sequence being uninformative frames (i.e. pure-noise and motion artifacts). For future data analysis, these uninformative frames must be first removed from the sequence. Therefore, the objective of our work is to develop an automatic detection method of uninformative images in endomicroscopy images.

2) Material and methods

We propose to take the detection problem as a classification one. Considering advantages of deep learning methods, a classifier based on CNN (Convolutional Neural Network) is designed with a new loss function based on Havrda-Charvat entropy which is a parametrical generalization of the Shannon entropy. We propose to use this formula to get a better hold on all sorts of data since it provides a model more stable than the Shannon entropy.

3) Results

Our method is tested on one POE dataset including 3895 distinct images and is showing better results than using Shannon entropy and behaves better with regard to the problem of overfitting. We obtain 70% of accuracy with Shannon entropy versus 77 to 79% with Havrda-Charvat.

4) Conclusion

We can conclude that Havrda-Charvat entropy is better suited for restricted and or noisy datasets due to its generalized nature. It is also more suitable for classification in endomicroscopy datasets.

Le texte complet de cet article est disponible en PDF.

Keywords : Deep learning, CNN, Shannon entropy, Havrda-Charvat entropy, Pulmonary optical endomicroscopy


Plan


© 2021  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.