[논문 리뷰] Brain Tumor Detection and Classification based on Hybrid Ensemble Classifier

Ginni Garg, Ritu Garg|arXiv (Cornell University)|2021. 01. 01.

Brain Tumor Detection and Classification참고 문헌 20인용 수 46

한 줄 요약

논문은 뇌종양 탐지 및 MRI에서 양성/악성 분류를 위한 하이브리드 앙상블 분류기(KNN-RF-DT 다수결) 제안, Otsu 분할 및 SWT, PCA, GLCM 특성 사용, 2556 이미지에서 97.305% 정확도 달성.

ABSTRACT

To improve patient survival and treatment outcomes, early diagnosis of brain tumors is an essential task. It is a difficult task to evaluate the magnetic resonance imaging (MRI) images manually. Thus, there is a need for digital methods for tumor diagnosis with better accuracy. However, it is still a very challenging task in assessing their shape, volume, boundaries, tumor detection, size, segmentation, and classification. In this proposed work, we propose a hybrid ensemble method using Random Forest (RF), K-Nearest Neighbour, and Decision Tree (DT) (KNN-RF-DT) based on Majority Voting Method. It aims to calculate the area of the tumor region and classify brain tumors as benign and malignant. In the beginning, segmentation is done by using Otsu's Threshold method. Feature Extraction is done by using Stationary Wavelet Transform (SWT), Principle Component Analysis (PCA), and Gray Level Co-occurrence Matrix (GLCM), which gives thirteen features for classification. The classification is done by hybrid ensemble classifier (KNN-RF-DT) based on the Majority Voting method. Overall it aimed at improving the performance by traditional classifiers instead of going to deep learning. Traditional classifiers have an advantage over deep learning algorithms because they require small datasets for training and have low computational time complexity, low cost to the users, and can be easily adopted by less skilled people. Overall, our proposed method is tested upon dataset of 2556 images, which are used in 85:15 for training and testing respectively and gives good accuracy of 97.305%.

연구 동기 및 목표

• 조기 및 정확한 뇌종양 진단으로 환자 결과를 개선하기 위함.
• 상대적으로 작은 데이터셋에서 잘 작동하고 계산 효율적인 비딥러닝 방법 개발.
• 분할, 특징 추출 및 하이브리드 앙상블 분류기를 결합하여 양성 혹은 악성으로 종양 분류.
• 제안된 방법을 뇌 MRI 이미지 데이터세트에 대해 평가하고 기존 분류기와 성능 비교.

제안 방법

• Otsu 임계값을 적용하여 종양 영역 분할.
• SWT, PCA, GLCM을 사용하여 특징을 추출하여 분류를 위한 열세 가지 특징 얻기.
• 다수결 의사결정 규칙을 갖는 하이브리드 앙상블 분류기(KNN-RF-DT) 사용.
• 분할로부터 종양 면적을 결정하고 앙상블 출력 기반으로 양성 또는 악성으로 분류.
• 딥러닝에 비해 학습 데이터 필요 규모가 작고 계산 비용이 낮은 등의 전통적 분류기의 이점을 강조.

실험 결과

연구 질문

• RQ1 MRI 데이터에서 다수결을 가진 KNN, Random Forest, 및 Decision Tree의 하이브리드 앙상블이 높은 정확도를 달성할 수 있는가?
• RQ2 Otsu 방법으로 분할하고 SWT, PCA, GLCM 특징을 결합하면 종양 영역과 정상 조직 간의 구분이 강건하게 제공되는가?
• RQ3 제안 방법이 데이터 요구사항 및 계산 측면에서 기존 분류기나 딥러닝 접근법과 어떻게 비교되는가?
• RQ4 테스트된 MRI 데이터세트에서의 전체 정확도는 얼마이며 85:15 학습-테스트 분할에서 방법의 신뢰성은 어느 정도인가?

주요 결과

• 2556개의 MRI 이미지 데이터세트에서 85:15 학습-테스트 분할로 97.305% 정확도 달성.
• Otsu 방법으로 분할한 뒤 특징 추출(SWT, PCA, GLCM)로 분류를 위한 열세 가지 특징 얻음.
• 다수결 투표를 사용하는 하이브리드 앙상블 KNN-RF-DT가 본 연구에서 기존 분류기에 비해 성능을 향상시킴.
• 저자들은 전통적 분류기가 딥러닝에 비해 학습 데이터 필요가 적고 계산 비용이 낮은 이점을 제공한다고 주장.