[논문 리뷰] Brain MRI Segmentation using Rule-Based Hybrid Approach

Mustansar Fiaz, Kamran Ali외 3명|arXiv (Cornell University)|2019. 02. 12.

Brain Tumor Detection and Classification참고 문헌 19인용 수 4

한 줄 요약

이 논문은 Gabor 특징 추출과 다수의 분류기—ISNN, KNN, PNN, SVM—을 조합하는 규칙 기반 하이브리드 접근법을 제안한다. 각 조직 유형에 맞게 성능 기반으로 최적의 분류기를 선택함으로써 다양한 뇌 조직에서 분할 정확도를 향상시킨다. 실험 평가에서 개별 분류기보다도 뛰어난 성능을 보이며, 동적으로 각 조직에 가장 잘 맞는 분류기를 할당함으로써 정확도가 향상된다.

ABSTRACT

Medical image segmentation being a substantial component of image processing plays a significant role to analyze gross anatomy, to locate an infirmity and to plan the surgical procedures. Segmentation of brain Magnetic Resonance Imaging (MRI) is of considerable importance for the accurate diagnosis. However, precise and accurate segmentation of brain MRI is a challenging task. Here, we present an efficient framework for segmentation of brain MR images. For this purpose, Gabor transform method is used to compute features of brain MRI. Then, these features are classified by using four different classifiers i.e., Incremental Supervised Neural Network (ISNN), K-Nearest Neighbor (KNN), Probabilistic Neural Network (PNN), and Support Vector Machine (SVM). Performance of these classifiers is investigated over different images of brain MRI and the variation in the performance of these classifiers is observed for different brain tissues. Thus, we proposed a rule-based hybrid approach to segment brain MRI. Experimental results show that the performance of these classifiers varies over each tissue MRI and the proposed rule-based hybrid approach exhibits better segmentation of brain MRI tissues.

연구 동기 및 목표

• 정확하고 강력한 뇌 MRI 조직 분할에 도전하며, 이는 진단 및 수술 계획 수립에 매우 중요하다.
• ISNN, KNN, PNN, SVM의 네 가지 분류기의 뇌 MRI 분할 작업에서의 성능을 평가한다.
• 실험적 성능 기반으로 각 조직 유형에 최적의 분류기를 선택하는 하이브리드 접근법을 개발하여 총합 분할 정확도를 향상시킨다.
• 각 조직에 맞는 분류기의 강점을 활용하여 다양한 뇌 조직 간 분할 결과의 변동성을 줄인다.

제안 방법

• 뇌 MRI 스캔에서 무늬와 공간 주파수 특징을 추출하기 위해 Gabor 변환이 적용된다.
• 추출된 특징에 대해 증분 감독 신경망(ISNN), K-가장 가까운 이웃(KNN), 확률적 신경망(PNN), 서포트 벡터 머신(SVM)의 네 가지 분류기가 훈련되고 평가된다.
• 각 분류기의 성능은 백색질, 회색질, 뇌척수액 등 다양한 뇌 조직에서 별도로 평가되어 조직 유형별 최적의 성능를 식별한다.
• 실험 결과를 바탕으로 각 조직 유형에 가장 잘 맞는 분류기를 동적으로 선택하는 규칙 기반 시스템이 설계된다.
• 선택된 분류기를 통합하여 최종적으로 통합된 분할 결과를 도출하는 하이브리드 프레임워크가 구성된다.
• 표준 분할 평가 지표를 사용하여 뇌 MRI 영상 데이터셋에서 방법의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 ISNN, KNN, PNN, SVM 중에서 뇌 MRI 분할 작업에서 각 조직 유형에 대해 가장 우수한 성능를 보이는 분류기는 무엇인가?
• RQ2 다양한 뇌 조직(예: 백색질, 회색질, 뇌척수액) 간에 분류기 성능는 어떻게 변화하는가?
• RQ3 여러 분류기를 융합하는 규칙 기반 전략이 개별 분류기 대비 전체 분할 정확도를 향상시킬 수 있는가?
• RQ4 조직 특화된 성능 기반으로 동적으로 분류기를 선택하면 더 일관되고 정확한 분할 결과를 도출할 수 있는가?

주요 결과

• 각 개별 분류기의 성능는 다양한 뇌 조직 간에 크게 차이가 나며, 어떤 한 분류기라도 모든 조직 유형에서 모두 최고 성능를 보이지는 않는다.
• 제안된 규칙 기반 하이브리드 접근법은 각 조직에 가장 잘 맞는 분류기를 선택함으로써 단일 분류기보다 뛰어난 분할 정확도를 달성한다.
• Gabor 특징는 MRI에서 뇌 조직 유형을 구분하는 데 유용한 무늬와 구조적 정보를 효과적으로 포착한다.
• 다양한 분류기의 강점을 활용함으로써 특정 조직 특성에 맞게 조정된 하이브리드 시스템은 분할 오차를 줄였다.