[論文レビュー] Tumor Classification and Segmentation of MR Brain Images

Tanvi Gupta, Pranay Manocha+3 more|arXiv (Cornell University)|Oct 31, 2017

Brain Tumor Detection and Classification参考文献 29被引用数 6

ひとこと要約

本論文では、離散ウェーブレット変換（DWT）特徴量と機械学習を用いて、T2対照MR脳画像における腫瘍分類およびセグメンテーションのための3段階の自動化手法を提案する。本手法は、訓練用テンプレートや事前分類モデルを必要としない独創的な対側パッチしきい値手法を採用し、分類精度95％、特異度100％、感度90％を達成した。

ABSTRACT

The diagnosis and segmentation of tumors using any medical diagnostic tool can be challenging due to the varying nature of this pathology. Magnetic Reso- nance Imaging (MRI) is an established diagnostic tool for various diseases and disorders and plays a major role in clinical neuro-diagnosis. Supplementing this technique with automated classification and segmentation tools is gaining importance, to reduce errors and time needed to make a conclusive diagnosis. In this paper a simple three-step algorithm is proposed; (1) identification of patients that present with tumors, (2) automatic selection of abnormal slices of the patients, and (3) segmentation and detection of the tumor. Features were extracted by using discrete wavelet transform on the normalized images and classified by support vector machine (for step (1)) and random forest (for step (2)). The 400 subjects were divided in a 3:1 ratio between training and test with no overlap. This study is novel in terms of use of data, as it employed the entire T2 weighted slices as a single image for classification and a unique combination of contralateral approach with patch thresholding for segmentation, which does not require a training set or a template as is used by most segmentation studies. Using the proposed method, the tumors were segmented accurately with a classification accuracy of 95% with 100% specificity and 90% sensitivity.

研究の動機と目的

• 診断時間と誤差を低減するため、MR画像における脳腫瘍の分類およびセグメンテーションを自動化するシステムの開発。
• MRIにおける腫瘍の多様性に起因する課題に対処するため、頑健で特徴量ベースの分類およびセグメンテーションパイプラインの構築。
• 独自の対側パッチしきい値手法を導入することで、訓練用テンプレートや事前モデルに依存しない仕組みを実現。
• 標準的なMRIシーケンスを用いたシンプルでスケーラブルな3段階アルゴリズムにより、臨床的神経診断の正確性を向上。
• 400例の大きなデータセットを用い、3:1の訓練-テスト分割を実施することで、一般化性を検証。

提案手法

• 本手法は、正規化されたT2対照MR画像から抽出したDWT特徴量を用いてトレーニングされたサポートベクターマシン（SVM）を用いた患者レベルの分類から開始される。
• 各スライスのDWT特徴量にランダムフォレスト分類器を適用することで、異常スライスが自動的に選別される。
• 腫瘍セグメンテーションは、脳の左右半球間の対称的領域を比較する新規の対側パッチしきい値手法によって実施される。
• 分類のために、全T2対照ボリュームを1つの画像として扱うことで、グローバルな文脈認識の向上を図る。
• 特徴抽出には、多スケールのテクスチャおよび強度パターンを捉えるために離散ウェーブレット変換（DWT）が用いられる。
• 本手法は、事前学習済みモデルやテンプレートを必要とせず、多数の既存のセグメンテーション手法とは明確に異なる。

実験結果

リサーチクエスチョン

• RQ1 DWTベースの特徴抽出法は、T2対照MR画像における脳腫瘍の有無を効果的に分類できるか？
• RQ2 事前分類データに依存せずに、ランダムフォレスト分類器が異常スライスを正確に同定できるか？
• RQ3 対側パッチしきい値手法は、トレーニングデータやテンプレートを必要とせずに正確な腫瘍セグメンテーションを達成できるか？
• RQ4 大規模かつ多様なデータセット上でシンプルな3段階パイプラインを用いることで、どの程度の分類精度と感度が達成できるか？
• RQ5 本手法は、既存のテンプレートまたはモデル依存のセグメンテーション手法と比較して、特異度および感度の観点で優れているか？

主な発見

• 提案手法はテストセットで分類精度95％、特異度100％、感度90％を達成した。
• DWT特徴量とSVMおよびランダムフォレスト分類器の組み合わせにより、多様な患者スキャンにおいても頑健な腫瘍検出が可能となった。
• 対側パッチしきい値手法は、いかなるトレーニングデータや解剖学的テンプレートも不要であるにもかかわらず、腫瘍のセグメンテーションに成功した。
• 全T2対照ボリュームが分類のための1つの画像として扱われたことで、グローバルな診断の一貫性が向上した。
• 400例のデータセットを3:1の訓練-テスト分割で用いた結果、未学習データに対しても良好な一般化性能を示した。
• テンプレート依存性の欠如により、本手法は多様な画像プロトコルやスキャナータイプに対しても柔軟に適応可能である。