[논문 리뷰] Brain tumor MRI image classification with feature selection and extraction using linear discriminant analysis

V. P. Gladis Pushpa Rathi, S. Palani|arXiv (Cornell University)|2012. 08. 10.

Brain Tumor Detection and Classification참고 문헌 5인용 수 37

한 줄 요약

이 논문은 뇌 MRI 영상의 정상, 백질, 회색질, 뇌척수액 및 비정상 영역으로의 정확한 분류를 위해 선형 판별 분 析(LDA)를 강도, 질감 및 형태 특징과 조합한 하이브리드 특징 선택 및 추출 방법을 제안한다. 이 방법은 차원 감소를 효과적으로 수행함으로써 기존 방법보다 뛰어난 성능을 보이며, 인터넷 뇌 분할 리포지터리에서 확보한 140장의 영상 데이터셋에서 높은 분류 정확도를 달성한다. 비교를 위해 서포트 벡터 머신(SVM)을 사용하여 선형 및 비선형 기법을 평가하였다.

ABSTRACT

Feature extraction is a method of capturing visual content of an image. The feature extraction is the process to represent raw image in its reduced form to facilitate decision making such as pattern classification. We have tried to address the problem of classification MRI brain images by creating a robust and more accurate classifier which can act as an expert assistant to medical practitioners. The objective of this paper is to present a novel method of feature selection and extraction. This approach combines the Intensity, Texture, shape based features and classifies the tumor as white matter, Gray matter, CSF, abnormal and normal area. The experiment is performed on 140 tumor contained brain MR images from the Internet Brain Segmentation Repository. The proposed technique has been carried out over a larger database as compare to any previous work and is more robust and effective. PCA and Linear Discriminant Analysis (LDA) were applied on the training sets. The Support Vector Machine (SVM) classifier served as a comparison of nonlinear techniques Vs linear ones. PCA and LDA methods are used to reduce the number of features used. The feature selection using the proposed technique is more beneficial as it analyses the data according to grouping class variable and gives reduced feature set with high classification accuracy.

연구 동기 및 목표

• 의료 종사자가 보다 효과적으로 도움을 받을 수 있도록 뇌 MRI 영상 분류를 위한 강력하고 정확한 분류기 개발.
• MRI 영상 분석에서 고차원 특징 공간의 과제를 효과적인 특징 선택 및 추출을 통해 해결.
• 강도, 질감 및 형태 기반 특징을 차원 감소 기법과 융합함으로써 분류 성능 향상.
• 주성분 분석(PCA)과 비교하여 선형 판별 분석(LDA)이 특징을 감소시키면서도 정확도를 유지하는 데 얼마나 효과적인지 평가.
• 이전 연구들보다 더 큰 데이터셋을 활용하여 제안된 방법의 타당성과 일반화 능력을 향상시킴.

제안 방법

• 메서드는 인터넷 뇌 분할 리포지터리에서 확보한 140장의 뇌 MRI 영상에서 강도, 질감 및 형태 기반 특징을 추출한다.
• 학습 세트에 주성분 분석(PCA)과 선형 판별 분석(LDA)을 적용하여 특징 차원을 감소시킨다.
• LDA는 클래스 간 산란을 최대화하고 클래스 내 산란을 최소화함으로써 분류의 가시성을 향상시키는 특징 추출에 사용된다.
• 감소된 특징 세트는 선형 및 비선형 분류 성능을 비교하기 위해 서포트 벡터 머신(SVM)을 사용하여 분류된다.
• 특징 선택은 클래스 그룹화에 기반하여 이루어지며, 이는 선택된 특징이 조직 유형을 구분하는 데 가장 관련성이 있도록 보장한다.
• 이 방법은 클래스 분포를 고려한 데이터 기반의 선택을 강조하여, 압축되면서도 정보가 풍부한 특징 세트를 도출한다.

실험 결과

연구 질문

• RQ1 강도, 질감 및 형태 특징의 조합이 뇌 MRI 분할에서 분류 정확도를 향상시킬 수 있는가?
• RQ2 LDA 기반 특징 추출이 클래스 분류 정보를 유지하면서도 PCA보다 차원 감소에 얼마나 효과적인가?
• RQ3 클래스 그룹화를 고려한 제안된 특징 선택 방법이 기존 방법보다 높은 분류 정확도를 달성하는가?
• RQ4 감소된 특징 세트에 적용했을 때 선형 분류기(예: 선형 커널을 사용한 SVM)의 성능은 비선형 분류기보다 어떻게 다른가?
• RQ5 이전 연구들보다 더 큰 MRI 데이터셋에서 제안된 방법이 강력하고 정확한 분류를 달성할 수 있는가?

주요 결과

• 제안된 방법은 LDA 기반 차원 감소와 함께 강도, 질감 및 형태 특징을 효과적으로 융합함으로써 높은 분류 정확도를 달성했다.
• LDA는 분류 결과의 향상으로써 클래스 간 분리도를 더 잘 유지함을 입증하며, PCA보다 성능이 뛰어났다.
• 클래스 그룹화에 기반한 특징 선택 과정은 높은 분류 능력을 유지하면서도 감소된 특징 세트를 도출했다.
• SVM 분류기는 감소된 특징 공간에서 뛰어난 성능을 보이며, 선형 접근법의 효과성을 입증했다.
• 이 연구는 이전 연구들보다 더 큰 140장의 종양을 포함한 MRI 영상 데이터셋을 사용하여 결과의 타당성을 높였다.
• LDA와 특징 선택의 통합은 더 압축되고 정보가 풍부한 특징 표현을 이끌어내어 종합적인 분류 성능 향상에 기여했다.