[논문 리뷰] Tumor Classification and Segmentation of MR Brain Images

Tanvi Gupta, Pranay Manocha외 3명|arXiv (Cornell University)|2017. 10. 31.

Brain Tumor Detection and Classification참고 문헌 29인용 수 6

한 줄 요약

이 논문은 이산 웨이블릿 변환(DWT) 특징과 기계학습을 사용하여 T2 강조 MRI 뇌 영상에서 종양 분류 및 세분화를 위한 세 단계 자동화된 방법을 제안한다. 이는 훈련 템플릿이나 사전 분할 모델이 필요로 하지 않는 새로운 대칭 쪽 패치 임계값 설정 기법을 도입하여 95%의 분류 정확도와 100%의 특이도, 90%의 민감도를 달성한다.

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.

연구 동기 및 목표

• 진단 시간과 오류를 줄이기 위해 뇌 MRI 영상에서 종양을 자동으로 분류하고 세분화하는 시스템을 개발하는 것.
• MRI에서 종양의 다양성에 도전하기 위해 강력하고 특징 기반의 분류 및 세분화 파이프라인을 사용하는 것.
• 기존의 훈련 템플릿이나 사전 모델에 의존하지 않기 위해 고유한 대칭 쪽 패치 임계값 설정 기법을 도입하는 것.
• 표준 MRI 시퀀스를 사용한 간단하고 확장 가능한 세 단계 알고리즘을 통해 임상 신경진단 정확도를 향상시키는 것.
• 일관된 일반화를 보장하기 위해 400명의 환자로 구성된 대규모 데이터셋을 3:1 훈련-테스트 분할로 검증하는 것.

제안 방법

• 이 방법은 정규화된 T2 강조 MRI 영상에서 추출한 DWT 특징을 기반으로 훈련된 서포트 벡터 머신(SVM)을 사용하여 환자 수준의 분류를 시작한다.
• 각 슬라이스의 DWT 특징에 랜덤 포레스트 분류기를 적용하여 비정상 슬라이스를 자동으로 선별한다.
• 뇌의 양측 반구에서 대칭 영역을 비교하는 새로운 대칭 쪽 패치 임계값 설정 기법을 통해 종양 세분화를 수행한다.
• 분류를 위해 전체 T2 강조 볼륨을 단일 이미지로 간주함으로써 전역적 맥락 인식 능력을 향상시킨다.
• 다중 해상도 무늬 및 강도 패턴을 캡처하기 위해 이산 웨이블릿 변환(DWT)을 사용하여 특징 추출을 수행한다.
• 기존의 대부분의 세분화 기법과 달리 사전 학습된 모델이나 템플릿이 필요로 하지 않는다.

실험 결과

연구 질문

• RQ1 DWT 기반 특징 추출 방법은 T2 강조 MRI 영상에서 종양 존재 여부를 효과적으로 분류할 수 있는가?
• RQ2 사전 분할 데이터에 의존하지 않고 랜덤 포레스트 분류기가 비정상 슬라이스를 정확하게 식별할 수 있는가?
• RQ3 대칭 쪽 패치 임계값 설정 방법은 훈련 세트나 템플릿이 필요 없이 정확한 종양 세분화를 달성할 수 있는가?
• RQ4 대규모이고 다양한 데이터셋에서 단순한 세 단계 파이프라인을 사용할 경우 분류 정확도와 민감도는 어느 정도 달성될 수 있는가?
• RQ5 기존의 템플릿 기반 또는 모델 기반 세분화 기법과 비교할 때 제안된 방법은 특이도와 민감도 측면에서 어떻게 성능을 내는가?

주요 결과

• 제안된 방법은 테스트 세트에서 95%의 분류 정확도를 달성했으며, 특이도는 100%, 민감도는 90%였다.
• DWT 특징과 SVM, 랜덤 포레스트 분류기를 조합하여 다양한 환자 스캔에서 강력한 종양 탐지 성능을 달성했다.
• 대칭 쪽 패치 임계값 설정 기법은 훈련 데이터나 해부학적 템플릿이 전혀 필요 없이도 성공적으로 종양을 세분화했다.
• 전체 T2 강조 볼륨이 분류를 위해 단일 이미지로 간주되어 전역 진단 일관성이 향상되었다.
• 400명의 환자로 구성된 3:1 훈련-테스트 분할에서 강력한 일반화 능력을 보이며, 예측되지 않은 데이터에 대해서도 신뢰성이 높았다.
• 템플릿 의존성이 없기에 다양한 영상 프로토콜과 스캐너 유형에 쉽게 적응 가능하다.