[논문 리뷰] Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification

Sakshi Patel, K P Bharath외 1명|arXiv (Cornell University)|2020. 03. 14.

Image Enhancement Techniques인용 수 9

한 줄 요약

이 논문은 뇌 종양 분류의 정확도 향상을 위해 히스토그램 균형화 기법과 K-means 분할, SVM 기반 특징 추출을 융합한 의료 영상 향상 파이프라인을 제안한다. 다양한 히스토그램 방법을 사용하여 저대비 MRI 영상을 향상시키고, K-means 군집화를 통해 종양을 분할하며, SVM를 사용해 암 유형을 분류하여 이미지 품질 향상과 강력한 특징 추출을 통해 진단 정확도를 향상시킨다.

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.

연구 동기 및 목표

• 저대비 MRI 뇌 영상의 진단 품질을 향상시키기 위해 시각적 명료도와 대비를 개선한다.
• 최적의 영상 향상을 위해 다양한 히스토그램 균형화 기법을 평가하고 비교한다.
• 강도 유사성 기반으로 픽셀을 군집화하는 K-means 군집화 알고리즘을 사용해 뇌 MRI에서 종양 영역을 정확히 분할한다.
• 분할된 종양 영역에서 구분력 있는 특징을 추출하여 효과적인 암 분류를 수행한다.
• 향상된 영상 특징을 기반으로 종양 유형을 구분하기 위한 강력한 분류 프레임워크를 개발한다.

제안 방법

• 표준, 대trast 스트레칭, 적응형 방법을 포함한 다수의 히스토그램 균형화 기법을 적용하여 T1-가중 또는 T2-가중 MRI 스캔의 대비와 밝기를 향상시킨다.
• 강도 유사성 기반으로 픽셀을 군집화하는 K-means 군집화 알고리즘을 사용해 종양 영역을 뇌 조직에서 분리한다.
• 통계적 및 형태적 묘사자를 사용해 분할된 종양 영역에서 무늬 및 강도 기반 특징을 추출한다.
• 추출된 특징을 기반으로 SVM 분류기를 훈련시어 정상 조직과 암성 조직을 구분한다.
• PSNR, SSIM, 대비 향상 비율과 같은 정량적 지표를 사용해 다양한 히스토그램 향상 기법 간 성능을 비교한다.
• 편향이나 잡음 유발 없이 원본 이미지 정보를 유지하여 진단 신뢰도를 유지한다.

실험 결과

연구 질문

• RQ1 MRI 스캔에서 대비, 밝기, 원본 이미지 세부 정보 유지 측면에서 가장 우수한 향상 성능를 보이는 히스토그램 균형화 기법은 무엇인가?
• RQ2 복잡한 뇌 MRI 배경에서 K-means 알고리즘이 종양 영역을 얼마나 정확하게 분할할 수 있는가?
• RQ3 향상된 종양 영역에서 추출된 특징 중에서 암 분류에 가장 높은 구분 능력을 제공하는 조합은 무엇인가?
• RQ4 영상 향상이 뇌 종양 진단을 위한 SVM의 분류 정확도에 어느 정도 향상 효과를 미치는가?
• RQ5 히스토그램 처리, 분할, SVM 기반 분류의 통합이 자동화된 의료 진단을 위한 신뢰할 수 있는 파이프라인을 형성할 수 있는가?

주요 결과

• 제안된 히스토그램 균형화 기법은 잡음 유발 없이도 영상 대비와 시각적 품질을 크게 향상시켰으며 해부학적 구조의 왜곡도 방지했다.
• K-means 군집화 알고리즘이 복잡한 뇌 MRI 배경에서 종양 영역을 효과적으로 분리하여 시험된 MRI 데이터셋에서 높은 분할 정확도를 달성했다.
• 향상된 영상에서 추출한 특징는 더 강력한 구분 능력을 보였으며, SVM 분류기가 종양 영역과 비종양 영역을 더 잘 구분할 수 있도록 향상시켰다.
• 영상 향상과 SVM 분류의 조합은 원본 영상 사용 기반 기준 방법보다 높은 분류 정확도를 달성했다.
• 평가된 히스토그램 기법 중에서 적응형 히스토그램 균형화(AHE)가 대비 향상과 세부 정보 유지 측면에서 뛰어난 성능을 보였다.
• 전반적인 파이프라인은 진단의 모호성을 감소시키고 임상 영상 워크플로우에서 더 신뢰할 수 있는 종양 위치 특정 및 분류를 지원했다.