[논문 리뷰] Automatic Diagnosis of Abnormal Tumor Region from Brain Computed Tomography Images Using Wavelet Based Statistical Texture Features

A. Padma, R. Sukanesh|arXiv (Cornell University)|2011. 09. 06.

Brain Tumor Detection and Classification참고 문헌 18인용 수 13

한 줄 요약

이 논문은 파형기반 통계적 무늬 특징을 사용하여 뇌 CT 영상에서 비정상 종양 영역을 자동으로 감지하는 방법을 제안한다. 이 방법은 이산 웨이브렛 분해, 특징 추출, 유전 알고리즘 기반 특징 선택, 그리고 SVM를 이용한 분류를 포함하며, 10겹 교차검증에서 96%의 정확도를 달성하여 백프로파게이션 신경망보다 뛰어난 성능을 보였다.

ABSTRACT

The research work presented in this paper is to achieve the tissue classification and automatically diagnosis the abnormal tumor region present in Computed Tomography (CT) images using the wavelet based statistical texture analysis method. Comparative studies of texture analysis method are performed for the proposed wavelet based texture analysis method and Spatial Gray Level Dependence Method (SGLDM). Our proposed system consists of four phases i) Discrete Wavelet Decomposition (ii) Feature extraction (iii) Feature selection (iv) Analysis of extracted texture features by classifier. A wavelet based statistical texture feature set is derived from normal and tumor regions. Genetic Algorithm (GA) is used to select the optimal texture features from the set of extracted texture features. We construct the Support Vector Machine (SVM) based classifier and evaluate the performance of classifier by comparing the classification results of the SVM based classifier with the Back Propagation Neural network classifier(BPN). The results of Support Vector Machine (SVM), BPN classifiers for the texture analysis methods are evaluated using Receiver Operating Characteristic (ROC) analysis. Experimental results show that the classification accuracy of SVM is 96% for 10 fold cross validation method. The system has been tested with a number of real Computed Tomography brain images and has achieved satisfactory results.

연구 동기 및 목표

• 뇌 CT 영상에서 정상 및 비정상 종양 영역을 분류하기 위한 자동화된 시스템을 개발하기 위해.
• 기존 방법에 비해 파형기반 통계적 무늬 특징을 활용하여 진단 정확도를 향상시키기 위해.
• 향상된 분류 성능를 위해 유전 알고리즘을 활용한 특징 선택 최적화를 위해.
• SVM 및 백프로파게이션 신경망 분류기의 성능을 비교하기 위해.
• 실제 임상 뇌 CT 영상과 ROC 분석을 통해 시스템을 검증하기 위해.

제안 방법

• 뇌 CT 영상을 다중 해상도 분석을 위해 이산 웨이브렛 변환(DWT)을 적용하여 하위대역으로 분해하기 위해.
• 하위대역에서 에너지, 엔트로피, 대trast와 같은 웨이브렛 기반 통계적 무늬 특징을 추출하기 위해.
• 추출된 특징 집합에서 가장 구분력 있는 무늬 특징을 선택하기 위해 유전 알고리즘(GA)을 사용하기 위해.
• 선택된 특징을 기반으로 지지벡터기반 분류기(SVM)를 훈련하여 종양 분류를 수행하기 위해.
• 10겹 교차검증 및 수신기 작동 특성(ROC) 분석을 통해 분류기 성능을 평가하기 위해.
• 동일한 데이터셋과 특징을 사용하여 SVM 분류기의 성능을 백프로파게이션 신경망(BPN) 분류기와 비교하기 위해.

실험 결과

연구 질문

• RQ1 기존 방법에 비해 파형기반 무늬 특징이 뇌 CT 영상에서 자동 종양 감지의 정확도를 향상시킬 수 있는가?
• RQ2 유전 알고리즘 기반 특징 선택은 차원을 감소시키면서도 진단 정보를 유지하는 데 얼마나 효과적인가?
• RQ3 SVM은 뇌 CT 영상에서 정상 및 비정상 조직 영역을 분류하는 데 BPN보다 뛰어난가?
• RQ4 10겹 교차검증을 사용한 제안된 시스템의 분류 정확도는 얼마인가?
• RQ5 SVM과 BPN의 ROC 곡선은 종양과 정상 조직을 구분하는 데 어떻게 비교되는가?

주요 결과

• 제안된 시스템은 SVM 분류기를 사용하여 10겹 교차검증에서 96%의 분류 정확도를 달성했다.
• SVM 분류기는 분류 정확도 및 ROC 성능 측면에서 백프로파게이션 신경망(BPN) 분류기보다 뛰어난 성능을 보였다.
• 웨이브렛 기반 무늬 특징는 공간적 회색 수준 의존성 방법(SGLDM)에 비해 뛰어난 구분 능력을 보였다.
• 유전 알고리즘 기반 특징 선택은 특징 집합을 감소시키면서도 높은 분류 정확도를 유지하는 데 효과적이었다.
• 실제 임상 뇌 CT 영상에서의 테스트에서 시스템은 일관되고 만족스러운 성능를 보였다.
• ROC 분석을 통해 SVM 기반 분류 모델의 강건성과 신뢰성이 확인되었다.