[論文レビュー] Brain Tumor Detection and Classification based on Hybrid Ensemble Classifier

Ginni Garg, Ritu Garg|arXiv (Cornell University)|Jan 1, 2021

Brain Tumor Detection and Classification参考文献 20被引用数 46

ひとこと要約

本論文は、MRIから脳腫瘍検出と良性/悪性分類のためのハイブリッドアンサンブル分類器（多数決によるKNN-RF-DT）を提案し、OtsuによるセグメンテーションとSWT、PCA、GLCMからの特徴を用いて、2556枚の画像で97.305%の精度を達成する。

ABSTRACT

To improve patient survival and treatment outcomes, early diagnosis of brain tumors is an essential task. It is a difficult task to evaluate the magnetic resonance imaging (MRI) images manually. Thus, there is a need for digital methods for tumor diagnosis with better accuracy. However, it is still a very challenging task in assessing their shape, volume, boundaries, tumor detection, size, segmentation, and classification. In this proposed work, we propose a hybrid ensemble method using Random Forest (RF), K-Nearest Neighbour, and Decision Tree (DT) (KNN-RF-DT) based on Majority Voting Method. It aims to calculate the area of the tumor region and classify brain tumors as benign and malignant. In the beginning, segmentation is done by using Otsu's Threshold method. Feature Extraction is done by using Stationary Wavelet Transform (SWT), Principle Component Analysis (PCA), and Gray Level Co-occurrence Matrix (GLCM), which gives thirteen features for classification. The classification is done by hybrid ensemble classifier (KNN-RF-DT) based on the Majority Voting method. Overall it aimed at improving the performance by traditional classifiers instead of going to deep learning. Traditional classifiers have an advantage over deep learning algorithms because they require small datasets for training and have low computational time complexity, low cost to the users, and can be easily adopted by less skilled people. Overall, our proposed method is tested upon dataset of 2556 images, which are used in 85:15 for training and testing respectively and gives good accuracy of 97.305%.

研究の動機と目的

• 患者の転帰を改善するために、早期かつ正確な脳腫瘍診断を動機づける。
• 比較的小規模なデータセットでもよく機能し、計算コストが低い非深層学習手法を開発する。
• セグメンテーション、特徴抽出、およびハイブリッドアンサンブル分類器を組み合わせて、腫瘍を良性または悪性として分類する。
• 提案手法を脳MRI画像のデータセットで評価し、従来の分類器と性能を比較する。

提案手法

• 腫瘍領域のセグメンテーションにはOtsuの閾値処理を適用する。
• SWT、PCA、GLCMを用いて特徴を抽出し、13個の特徴量を取得する。
• 多数決の決定規則を用いたハイブリッドアンサンブル分類器（KNN-RF-DT）を分類に使用する。
• セグメーションから腫瘍領域を決定し、アンサンブル出力に基づいて良性か悪性かを分類する。
• 伝統的な分類器の利点、例えば小さなトレーニングデータ量と低い計算コストを、ディープラーニングよりも強調する。

実験結果

リサーチクエスチョン

• RQ1 多数決を用いるKNN、Random Forest、Decision Treeのハイブリッドアンサンブルは、MRIデータにおける脳腫瘍検出と分類で高い精度を達成できるか？
• RQ2 Otsu法によるセグメンテーションとSWT、PCA、GLCM特徴の組み合わせは、腫瘍領域と正常組織の間で頑健な識別を提供するか？
• RQ3 提案手法は、データ要件と計算量の点で従来の分類器およびディープラーニングアプローチとどのように比較されるか？
• RQ4 テスト済みMRIデータセットでの全体精度はいくつか、85:15の訓練–テスト分割で方法はどれだけ信頼できるか？

主な発見

• 85:15の訓練–テスト分割で、2556 MRI画像のデータセットで97.305%の精度を達成。
• Otsu法を用いたセグメンテーションに続く特徴抽出（SWT、PCA、GLCM）は、分類のために13個の特徴を得る。
• 多数決を用いたハイブリッドアンサンブルKNN-RF-DTは、本研究において従来の分類器と比較して性能を向上させる。
• 著者らは、従来の分類器がディープラーニングと比べて、トレーニングデータの小ささと計算コストの低さといった利点を提供すると主張する。