[論文レビュー] Hybrid Medical Image Classification Using Association Rule Mining with Decision Tree Algorithm

P. Rajendran, M. Madheswaran|arXiv (Cornell University)|Jan 20, 2010

Image Retrieval and Classification Techniques参考文献 3被引用数 75

ひとこと要約

本稿では、FP-Growthを用いた関連ルールマイニングと意思決定木分類を組み合わせることで、CT画像における脳腫瘍の検出を向上させるハイブリッド医療画像分類システムを提案する。中央値フィルタリング、Cannyエッジ検出、頻出パターンマイニングを統合することで、予め診断済みの脳画像データベース上で97%の感受性と95%の正確性を達成し、正常、良性、悪性の腫瘍として分類する診断の正確性を向上させる。

ABSTRACT

The main focus of image mining in the proposed method is concerned with the classification of brain tumor in the CT scan brain images. The major steps involved in the system are: pre-processing, feature extraction, association rule mining and hybrid classifier. The pre-processing step has been done using the median filtering process and edge features have been extracted using canny edge detection technique. The two image mining approaches with a hybrid manner have been proposed in this paper. The frequent patterns from the CT scan images are generated by frequent pattern tree (FP-Tree) algorithm that mines the association rules. The decision tree method has been used to classify the medical images for diagnosis. This system enhances the classification process to be more accurate. The hybrid method improves the efficiency of the proposed method than the traditional image mining methods. The experimental result on prediagnosed database of brain images showed 97% sensitivity and 95% accuracy respectively. The physicians can make use of this accurate decision tree classification phase for classifying the brain images into normal, benign and malignant for effective medical diagnosis.

研究の動機と目的

• ハイブリッドデータマイニング技術を用いて、CTスキャン画像における脳腫瘍分類の正確性を向上させること。
• 従来の画像マイニング手法の限界を克服するため、関連ルールマイニングと意思決定木分類を統合すること。
• 正常、良性、悪性の腫瘍状態を分類するデータ駆動型分類システムを提供することで、臨床医の診断信頼性を向上させること。
• 前処理、特徴抽出、パターンマイニングを統合した、頑健なパイプラインを構築すること。

提案手法

• ノイズ低減のため、CTスキャン画像に対して中央値フィルタリングを用いて前処理を実施する。
• 構造的境界を強調するために、Cannyエッジ検出技術を用いてエッジ特徴を抽出する。
• 前処理済み画像に対してFP-Growthアルゴリズムを適用し、頻出パターンを生成する。
• 頻出パターンから関連ルールをマイニングし、腫瘍タイプに関連する重要な画像特徴を同定する。
• マイニングされたルールを用いて意思決定木分類器を学習させ、画像を正常、良性、悪性のカテゴリに分類する。
• ルールベースのパターン発見と教師あり学習を組み合わせることで、分類性能を向上させるハイブリッドアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 関連ルールマイニングは、CTスキャン画像における脳腫瘍パターンの検出を改善できるか？
• RQ2 FP-Growthを意思決定木分類器と組み合わせることで、単独手法と比較して分類正確性がどのように向上するか？
• RQ3 前処理とエッジ特徴抽出は、腫瘍分類の信頼性をどの程度向上できるか？
• RQ4 このハイブリッドシステムは、正常、良性、悪性の脳腫瘍を区別する際の感受性と正確性はそれぞれどの程度か？

主な発見

• 提案されたハイブリッドシステムは、CTスキャン画像からの脳腫瘍検出において97%の感受性を達成した。
• システムは、予め診断済みの脳画像データベース上で全体で95%の分類正確性を示した。
• FP-Growthに基づく関連ルールマイニングと意思決定木分類の統合により、従来の画像マイニング手法よりも診断パフォーマンスが向上した。
• 本手法は、正常、良性、悪性の腫瘍タイプを正確に分類できるため、臨床的意思決定支援に効果的に貢献する。