[論文レビュー] Automatic Diagnosis of Abnormal Tumor Region from Brain Computed Tomography Images Using Wavelet Based Statistical Texture Features

A. Padma, R. Sukanesh|arXiv (Cornell University)|Sep 6, 2011

Brain Tumor Detection and Classification参考文献 18被引用数 13

ひとこと要約

本論文では、ウェーブレットに基づく統計的テクスチャ特徴を用いて、脳CT画像における異常腫瘍領域を自動で検出する手法を提案する。この手法は離散ウェーブレット変換による分解、特徴抽出、遺伝的アルゴリズムを用いた特徴選択、SVMによる分類を含み、10回交差検証で96％の精度を達成し、バックプロパゲーションニューラルネットワーク（BPN）を上回った。

ABSTRACT

The research work presented in this paper is to achieve the tissue classification and automatically diagnosis the abnormal tumor region present in Computed Tomography (CT) images using the wavelet based statistical texture analysis method. Comparative studies of texture analysis method are performed for the proposed wavelet based texture analysis method and Spatial Gray Level Dependence Method (SGLDM). Our proposed system consists of four phases i) Discrete Wavelet Decomposition (ii) Feature extraction (iii) Feature selection (iv) Analysis of extracted texture features by classifier. A wavelet based statistical texture feature set is derived from normal and tumor regions. Genetic Algorithm (GA) is used to select the optimal texture features from the set of extracted texture features. We construct the Support Vector Machine (SVM) based classifier and evaluate the performance of classifier by comparing the classification results of the SVM based classifier with the Back Propagation Neural network classifier(BPN). The results of Support Vector Machine (SVM), BPN classifiers for the texture analysis methods are evaluated using Receiver Operating Characteristic (ROC) analysis. Experimental results show that the classification accuracy of SVM is 96% for 10 fold cross validation method. The system has been tested with a number of real Computed Tomography brain images and has achieved satisfactory results.

研究の動機と目的

• 脳CT画像における正常および異常腫瘍領域を分類する自動化されたシステムの開発を目的とする。
• 従来の手法と比較して、ウェーブレットに基づく統計的テクスチャ特徴を活用することで診断精度の向上を図ることを目的とする。
• 分類性能の向上を図るために、遺伝的アルゴリズム（GA）を用いた特徴選択の最適化を目的とする。
• SVMとバックプロパゲーションニューラルネットワーク（BPN）分類器の腫瘍検出における性能を比較することを目的とする。
• 実臨床脳CT画像とROC解析を用いて、システムの妥当性を検証することを目的とする。

提案手法

• 脳CT画像を離散ウェーブレット変換（DWT）を用いてサブバンドに分解し、マルチスケール解析を実施する。
• サブバンドからエネルギー、エントロピー、コントラストなどのウェーブレットに基づく統計的テクスチャ特徴を抽出する。
• 抽出された特徴集合から、最も判別能の高いテクスチャ特徴を遺伝的アルゴリズム（GA）を用いて選択する。
• 選択された特徴を用いてサポートベクターマシン（SVM）分類器を学習させ、腫瘍分類を実行する。
• 10回交差検証と受信者リポーテージ特性（ROC）解析を用いて分類器の性能を評価する。
• 同じデータセットと特徴を用いて、SVM分類器の性能をバックプロパゲーションニューラルネットワーク（BPN）分類器と比較する。

実験結果

リサーチクエスチョン

• RQ1 従来の手法と比較して、ウェーブレットに基づくテクスチャ特徴は、脳CT画像における自動腫瘍検出の精度を向上させることができるか？
• RQ2 遺伝的アルゴリズムを用いた特徴選択は、診断情報の保持を前提として次元削減を効果的に行えるか？
• RQ3 SVMは、脳CT画像における正常および異常組織領域の分類において、BPNを上回る性能を示すか？
• RQ4 10回交差検証を用いた場合、提案手法の分類精度はどの程度か？
• RQ5 SVMとBPNのROC曲線は、腫瘍と正常組織を区別する上でどのように比較されるか？

主な発見

• 提案手法は、SVM分類器を用いた10回交差検証で96％の分類精度を達成した。
• 分類精度およびROC性能の観点から、SVM分類器はバックプロパゲーションニューラルネットワーク（BPN）分類器を上回った。
• ウェーブレットに基づくテクスチャ特徴は、空間的グレイレベル依存度法（SGLDM）と比較して優れた判別能力を示した。
• 遺伝的アルゴリズムを用いた特徴選択は、特徴集合の縮小を効果的に行いながらも、高い分類精度を維持した。
• 実臨床脳CT画像を用いたテストにおいて、本システムは一貫性があり満足できる性能を示した。
• ROC解析により、SVMベースの分類モデルの堅牢性と信頼性が確認された。