[論文レビュー] Brain MRI Segmentation using Rule-Based Hybrid Approach

Mustansar Fiaz, Kamran Ali+3 more|arXiv (Cornell University)|Feb 12, 2019

Brain Tumor Detection and Classification参考文献 19被引用数 4

ひとこと要約

本論文は、Gabor特徴抽出と複数の分類器（ISNN、KNN、PNN、SVM）を組み合わせたルールベースのハイブリッド手法を提案し、各組織タイプごとに性能に応じて最適な分類器を選択することで、脳MRIの組織分離精度を向上させている。実験的評価において、個々の分類器を上回る性能を発揮し、さまざまな脳組織において高い分離精度を達成している。

ABSTRACT

Medical image segmentation being a substantial component of image processing plays a significant role to analyze gross anatomy, to locate an infirmity and to plan the surgical procedures. Segmentation of brain Magnetic Resonance Imaging (MRI) is of considerable importance for the accurate diagnosis. However, precise and accurate segmentation of brain MRI is a challenging task. Here, we present an efficient framework for segmentation of brain MR images. For this purpose, Gabor transform method is used to compute features of brain MRI. Then, these features are classified by using four different classifiers i.e., Incremental Supervised Neural Network (ISNN), K-Nearest Neighbor (KNN), Probabilistic Neural Network (PNN), and Support Vector Machine (SVM). Performance of these classifiers is investigated over different images of brain MRI and the variation in the performance of these classifiers is observed for different brain tissues. Thus, we proposed a rule-based hybrid approach to segment brain MRI. Experimental results show that the performance of these classifiers varies over each tissue MRI and the proposed rule-based hybrid approach exhibits better segmentation of brain MRI tissues.

研究の動機と目的

• 正確で頑健な脳MRI組織分離の課題に対処すること。これは診断や手術計画において極めて重要である。
• ISNN、KNN、PNN、SVMの4つの分類器が脳MRI分離タスクにおいてどのように性能を発揮するかを評価すること。
• 実証的性能に基づき、組織タイプごとに最適な分類器を選択するハイブリッド手法を開発し、全体の分離精度を向上させること。
• 分類器固有の強みを活用することで、異なる脳組織間での分離結果のばらつきを低減すること。

提案手法

• Gabor変換を用いて、脳MRIスキャンからテクスチャおよび空間周波数特徴を抽出する。
• 抽出された特徴量に対して、インクリメンタルな教師ありニューラルネットワーク（ISNN）、K-近傍法（KNN）、確率的ニューラルネットワーク（PNN）、サポートベクターマシン（SVM）の4つの分類器を訓練および評価する。
• 各分類器の性能を、白質、灰色ニューロン、脳脊髄液（CSF）などの異なる脳組織に対して個別に評価し、組織別最適性能を特定する。
• 実験結果に基づき、各組織タイプに対して最も性能が優れた分類器を動的に選択するルールベースのシステムを設計する。
• 選択された分類器を統合して、最終的な統一された分離出力を得るハイブリッドフレームワークを構築する。
• 標準的な分離評価指標を用いて、脳MRI画像のデータセット上でアプローチの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ISNN、KNN、PNN、SVMの中から、MRI分離における各脳組織タイプに対して最も優れた性能を発揮するのはどれか？
• RQ2 分類器の性能は、白質、灰色ニューロン、脳脊髄液（CSF）などの異なる脳組織間でどのように変化するか？
• RQ3 複数の分類器を統合するルールベースの統合戦略は、個々の分類器と比較して、全体の分離精度を向上させることができるか？
• RQ4 組織別性能に基づく動的分類器選択は、より一貫性があり正確な分離結果をもたらすか？

主な発見

• 個々の分類器の性能は、異なる脳組織間で顕著に異なることが判明し、どの組織タイプに対しても常に優れた性能を発揮する分類器は存在しない。
• 提案されたルールベースのハイブリッド手法は、組織ごとに最適な分類器を選択することで、個々の分類器を上回る優れた分離精度を達成している。
• Gabor特徴は、MRIにおける脳組織タイプの区別に役立つテクスチャおよび構造的情報を効果的に捉えている。
• ハイブリッドシステムは、特定の組織特性に適合した複数の分類器の強みを活用することで、分離誤差を低減している。