[論文レビュー] Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification

Sakshi Patel, K P Bharath+1 more|arXiv (Cornell University)|Mar 14, 2020

Image Enhancement Techniques被引用数 9

ひとこと要約

本稿では、ヒストグラム等値化技術とK-meansセグメンテーション、SVMベースの特徴抽出を組み合わせた医療画像強調パイプラインを提案する。低コントラストなMRI画像をさまざまなヒストグラム手法で強調し、K-meansクラスタリングで腫瘍をセグメンテーションし、SVMで腫瘍の種類を分類することで、画像品質の向上と頑健な特徴抽出により、診断精度を向上させる。

ABSTRACT

MRI (Magnetic Resonance Imaging) is a technique used to analyze and diagnose the problem defined by images like cancer or tumor in a brain. Physicians require good contrast images for better treatment purpose as it contains maximum information of the disease. MRI images are low contrast images which make diagnoses difficult; hence better localization of image pixels is required. Histogram Equalization techniques help to enhance the image so that it gives an improved visual quality and a well defined problem. The contrast and brightness is enhanced in such a way that it does not lose its original information and the brightness is preserved. We compare the different equalization techniques in this paper; the techniques are critically studied and elaborated. They are also tabulated to compare various parameters present in the image. In addition we have also segmented and extracted the tumor part out of the brain using K-means algorithm. For classification and feature extraction the method used is Support Vector Machine (SVM). The main goal of this research work is to help the medical field with a light of image processing.

研究の動機と目的

• 低コントラストなMRI脳画像の診断品質を向上させ、視覚的明瞭性とコントラストを改善すること。
• 最適な画像強調を実現するため、複数のヒストグラム等値化技術を評価・比較すること。
• 強度の類似性に基づいてピクセルをグループ化することで、K-meansクラスタリングアルゴリズムを用いて脳MRIからの腫瘍領域を正確にセグメンテーションすること。
• セグメンテーションされた腫瘍領域から判別性の高い特徴を抽出し、効果的ながん分類を実現すること。
• 強化された画像特徴に基づいてがん種別の区別が可能な、頑健な分類フレームワークをSVMを用いて構築すること。

提案手法

• T1強調またはT2強調MRIスキャンにおいて、コントラストと明るさを向上させるために、標準的、コントラストストレッチ、およびアダプティブな手法を含む複数のヒストグラム等値化技術を適用する。
• 強度の類似性に基づいてピクセルをグループ化することで、K-meansクラスタリングアルゴリズムを用いて腫瘍領域を脳組織からセグメンテーションする。
• 統計的および形状的記述子を用いて、セグメンテーションされた腫瘍領域からのテクスチャおよび強度ベースの特徴を抽出する。
• 抽出された特徴を用いてSVM分類器を学習させ、正常組織とがん組織を区別する。
• PSNR、SSIM、コントラスト向上比などの定量的指標を用いて、さまざまなヒストグラム強調技術の性能を比較する。
• アーチファクトを引き起こさず、診断の整合性を保つために、強調処理中に元の画像情報を保持する。

実験結果

リサーチクエスチョン

• RQ1 どのヒストグラム等値化技術が、MRIスキャンにおけるコントラスト、明るさ、および元の画像詳細の保持という観点で最も優れた強調を実現するか？
• RQ2 K-meansアルゴリズムは、複雑な脳MRI背景における腫瘍領域をどの程度正確にセグメンテーションできるか？
• RQ3 強化された腫瘍領域から抽出された特徴のうち、がん分類に最も高い判別力を与えるのはどのセットか？
• RQ4 画像強調は、SVMによる脳腫瘍検出における分類精度をどの程度向上させるか？
• RQ5 ヒストグラム処理、セグメンテーション、SVMベースの分類の統合は、自動化医療診断のための信頼性のあるパイプラインを形成できるか？

主な発見

• 提案されたヒストグラム等値化技術は、ノイズの導入や解剖的構造の歪みを伴わず、画像コントラストと視覚的品質を顕著に向上させた。
• K-meansクラスタリングは、周囲の脳組織からの腫瘍領域の分離に効果的であり、テストされたMRIデータセットで高いセグメンテーション精度を達成した。
• 強化画像からの特徴抽出により、より判別性の高いパターンが得られ、SVM分類器が腫瘍領域と非腫瘍領域を区別する能力が向上した。
• 画像強調とSVM分類の組み合わせにより、元の画像を用いたベースライン手法と比較して、より高い分類精度が達成された。
• 評価されたヒストグラム技術の中で、アダプティブヒストグラム等値化（AHE）がコントラスト強調と詳細保持の両面で優れた性能を示した。
• 全体的なパイプラインは、診断の曖昧さを低減し、臨床的画像ワークフローにおけるより信頼性の高い腫瘍の局在化と分類を支援した。