[논문 리뷰] Hybrid Medical Image Classification Using Association Rule Mining with Decision Tree Algorithm

P. Rajendran, M. Madheswaran|arXiv (Cornell University)|2010. 01. 20.

Image Retrieval and Classification Techniques참고 문헌 3인용 수 75

한 줄 요약

이 논문은 FP-Growth를 통한 연관 규칙 마이닝과 의사결정트리 분류를 융합한 하이브리드 의료 영상 분류 시스템을 제안하여 CT 영상에서 뇌종양을 보다 정확히 탐지하고자 한다. 중앙값 필터링, 캐니 에지 검출 및 빈도 패턴 마이닝을 통합함으로써, 예진단된 뇌영상 데이터베이스에서 97%의 민감도와 95%의 정확도를 달성하여 정상, 양성, 악성 종양으로 분류하는 진단 정확도를 향상시켰다.

ABSTRACT

The main focus of image mining in the proposed method is concerned with the classification of brain tumor in the CT scan brain images. The major steps involved in the system are: pre-processing, feature extraction, association rule mining and hybrid classifier. The pre-processing step has been done using the median filtering process and edge features have been extracted using canny edge detection technique. The two image mining approaches with a hybrid manner have been proposed in this paper. The frequent patterns from the CT scan images are generated by frequent pattern tree (FP-Tree) algorithm that mines the association rules. The decision tree method has been used to classify the medical images for diagnosis. This system enhances the classification process to be more accurate. The hybrid method improves the efficiency of the proposed method than the traditional image mining methods. The experimental result on prediagnosed database of brain images showed 97% sensitivity and 95% accuracy respectively. The physicians can make use of this accurate decision tree classification phase for classifying the brain images into normal, benign and malignant for effective medical diagnosis.

연구 동기 및 목표

• 하이브리드 데이터 마이닝 기법을 활용하여 CT 스캔 영상에서 뇌종양 분류의 정확도를 향상시키기.
• 기존의 이미지 마이닝 방법의 한계를 보완하고자 연관 규칙 마이닝과 의사결정트리 분류를 융합하기.
• 정상, 양성, 악성 종양 상태를 분류하는 데이터 기반 분류 시스템을 제공함으로써 임상의의 진단 신뢰도를 향상시키기.
• 사전처리, 특징 추출 및 패턴 마이닝을 결합한 강력한 파이프라인을 개발하여 의료 영상 분석에 활용하기.

제안 방법

• 노이즈를 줄이기 위해 중앙값 필터링을 사용하여 CT 스캔 영상의 사전처리를 수행한다.
• 구조적 경계를 강조하기 위해 캐니 에지 검출 기법을 사용하여 에지 특징을 추출한다.
• 사전처리된 영상에서 FP-Growth 알고리즘을 사용하여 빈도 패턴을 생성한다.
• 유의미한 연관성을 발견하기 위해 빈도 패턴에서 연관 규칙을 마이닝한다.
• 채굴된 규칙을 기반으로 의사결정트리 분류기를 훈련시켜 영상의 정상, 양성, 악성 카테고리로 분류한다.
• 규칙 기반 패턴 발견과 지도 학습을 융합하여 분류 성능을 향상시킨 하이브리드 접근 방식을 구현한다.

실험 결과

연구 질문

• RQ1 연관 규칙 마이닝이 CT 스캔 영상에서 뇌종양 패턴 탐지에 기여할 수 있는가?
• RQ2 FP-Growth를 의사결정트리 분류기와 융합할 경우, 단독으로 사용하는 방법에 비해 분류 정확도가 어떻게 향상되는가?
• RQ3 사전처리 및 에지 특징 추출이 종양 분류의 신뢰도에 얼마나 기여하는가?
• RQ4 이 하이브리드 시스템은 정상, 양성, 악성 뇌종양을 구분하는 데 민감도와 정확도가 각각 얼마인가?

주요 결과

• 제안된 하이브리드 시스템은 CT 스캔 영상에서 뇌종양 탐지에 97%의 민감도를 달성하였다.
• 시스템은 예진단된 뇌영상 데이터베이스에서 총 분류 정확도 95%를 보였다.
• FP-Growth 기반 연관 규칙 마이닝과 의사결정트리 분류의 융합은 기존의 이미지 마이닝 방법에 비해 진단 성능을 향상시켰다.
• 정상, 양성, 악성 종양으로의 정확한 분류를 가능하게 하여 임상적 의사결정 지원에 효과적으로 기여하였다.