[論文レビュー] Brain tumor MRI image classification with feature selection and extraction using linear discriminant analysis

V. P. Gladis Pushpa Rathi, S. Palani|arXiv (Cornell University)|Aug 10, 2012

Brain Tumor Detection and Classification参考文献 5被引用数 37

ひとこと要約

本稿では、線形判別分析（LDA）を用いたハイブリッド特徴選択および特徴抽出手法を提案し、脳MRIスキャンの正常、白質、灰色 Matter、脳脊髄液（CSF）、および異常領域への正確な分類を実現する。本手法は次元削減を効果的に行い、インターネット脳画像セグメンテーションリポジトリから得た140枚の画像データセットで高い分類精度を達成し、従来の手法を上回る性能を示す。SVMを用いて線形および非線形手法と比較した。

ABSTRACT

Feature extraction is a method of capturing visual content of an image. The feature extraction is the process to represent raw image in its reduced form to facilitate decision making such as pattern classification. We have tried to address the problem of classification MRI brain images by creating a robust and more accurate classifier which can act as an expert assistant to medical practitioners. The objective of this paper is to present a novel method of feature selection and extraction. This approach combines the Intensity, Texture, shape based features and classifies the tumor as white matter, Gray matter, CSF, abnormal and normal area. The experiment is performed on 140 tumor contained brain MR images from the Internet Brain Segmentation Repository. The proposed technique has been carried out over a larger database as compare to any previous work and is more robust and effective. PCA and Linear Discriminant Analysis (LDA) were applied on the training sets. The Support Vector Machine (SVM) classifier served as a comparison of nonlinear techniques Vs linear ones. PCA and LDA methods are used to reduce the number of features used. The feature selection using the proposed technique is more beneficial as it analyses the data according to grouping class variable and gives reduced feature set with high classification accuracy.

研究の動機と目的

• 医療従事者を支援するため、脳MRI画像分類に耐障害性があり高精度な分類器を開発すること。
• MRI画像解析における高次元特徴空間の課題に、効果的な特徴選択および特徴抽出によって対処すること。
• 強度、テクスチャ、形状特徴を次元削減技術と組み合わせることで、分類性能を向上させること。
• 主成分分析（PCA）とSVMと比較して、線形判別分析（LDA）が特徴を削減する際の精度を維持する有効性を評価すること。
• 従来の研究よりも大きなデータセットを用いて、本手法の有効性を検証し、耐障害性と一般化性能を向上させること。

提案手法

• 本手法は、インターネット脳画像セグメンテーションリポジトリから取得した140枚の脳MRI画像から、強度、テクスチャ、形状特徴を抽出する。
• 訓練データセットに対して主成分分析（PCA）および線形判別分析（LDA）を適用し、特徴次元を削減する。
• LDAは、クラス間分散を最大化し、クラス内分散を最小化することで特徴抽出を行い、クラスの分離性を向上させる。
• 削減された特徴セットをサポートベクターマシン（SVM）を用いて分類し、線形および非線形分類性能を比較する。
• 特徴選択は、クラスのグループ化に基づいて行われ、選択された特徴が組織タイプを区別するのに最も関連性が高いことを保証する。
• 本手法は、クラス分布を考慮したデータ駆動型選択を重視し、コンactかつ情報量の多い特徴セットを実現する。

実験結果

リサーチクエスチョン

• RQ1 強度、テクスチャ、形状特徴の組み合わせは、脳MRIセグメンテーションにおける分類精度の向上に寄与するか？
• RQ2 LDAベースの特徴抽出は、クラス判別的情報を保持しながら、PCAと比較して次元削減をどのように効果的に行うか？
• RQ3 クラスのグループ化を考慮した本手法の特徴選択は、標準的手法と比較して、より高い分類精度をもたらすか？
• RQ4 線形分類器（例：線形カーネルを用いたSVM）は、削減された特徴セットに適用された場合、非線形分類器と比較してどの程度の性能を示すか？
• RQ5 本手法は、以前の報告よりも大きなMRIデータセットで、耐障害性があり高精度な分類を達成できるか？

主な発見

• 提案手法は、LDAベースの次元削減と強度、テクスチャ、形状特徴を効果的に組み合わせることで、高い分類精度を達成した。
• クラス分離性を保つ観点から、LDAはPCAを上回ったことが、MRIデータセットにおける分類結果の改善によって裏付けられた。
• クラスのグループ化に基づく特徴選択プロセスにより、高い判別力を持つ削減された特徴セットが得られた。
• SVM分類器は、削減された特徴空間でも優れた性能を示し、線形手法の有効性が裏付けられた。
• 本研究では、以前の研究よりも大きな140枚の腫瘍を含むMRI画像データセットを用いたため、結果の耐障害性が向上した。
• LDAと特徴選択の統合により、よりコンactかつ情報量の多い特徴表現が実現され、全体の分類性能が向上した。