[论文解读] Medical Image Enhancement Using Histogram Processing and Feature Extraction for Cancer Classification

Sakshi Patel, K P Bharath+1 more|arXiv (Cornell University)|Mar 14, 2020

Image Enhancement Techniques被引用 9

一句话总结

本文提出了一种医学图像增强流程，结合直方图均衡化技术、K-means分割和基于SVM的特征提取，以提升脑肿瘤分类效果。通过多种直方图方法增强低对比度MRI图像，利用K-means聚类分割肿瘤区域，并采用SVM进行癌症类型分类，从而通过图像质量提升和鲁棒特征提取实现更高的诊断准确率。

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.

研究动机与目标

• 通过提升视觉清晰度和对比度，改善低对比度MRI脑部图像的诊断质量。
• 评估并比较多种直方图均衡化技术，以确定在医学影像中实现最优图像增强的方案。
• 利用K-means聚类算法准确分割脑MRI中的肿瘤区域。
• 从分割后的肿瘤区域提取具有区分性的特征，以实现有效的癌症分类。
• 基于增强图像特征，开发一种使用支持向量机（SVM）的鲁棒分类框架，以区分癌症类型。

提出的方法

• 对T1加权或T2加权MRI扫描应用多种直方图均衡化技术——如标准方法、对比拉伸法和自适应方法——以提升图像的对比度和亮度。
• 利用K-means聚类算法根据像素强度相似性，将肿瘤区域从脑组织中分割出来。
• 从分割后的肿瘤区域提取纹理和基于强度的特征，使用统计和形态学描述符。
• 在提取的特征上训练支持向量机（SVM）分类器，以区分正常组织与癌变组织。
• 通过PSNR、SSIM和对比度提升比等定量指标，比较不同直方图增强技术的性能。
• 在增强过程中保留原始图像信息，避免引入伪影并维持诊断保真度。

实验结果

研究问题

• RQ1 在MRI扫描中，哪种直方图均衡化技术在对比度、亮度以及原始图像细节保留方面表现最佳？
• RQ2 K-means算法在复杂脑部MRI背景中分割肿瘤区域的准确度如何？
• RQ3 从增强后的肿瘤区域中提取的哪组特征对癌症分类具有最高的区分能力？
• RQ4 图像增强在多大程度上提升了SVM在检测脑肿瘤时的分类准确率？
• RQ5 直方图处理、分割与基于SVM的分类相结合，能否构成一个可靠的自动化医学诊断流程？

主要发现

• 所提出的直方图均衡化技术显著提升了图像对比度和视觉质量，且未引入噪声或扭曲解剖结构。
• K-means聚类能有效将肿瘤区域从周围脑组织中分离，实测MRI数据集中实现了高精度的分割效果。
• 从增强图像中提取的特征呈现出更具区分性的模式，显著提升了SVM分类器对肿瘤与非肿瘤区域的辨别能力。
• 图像增强与SVM分类相结合的方案，相比使用未增强图像的基线方法，实现了更高的分类准确率。
• 在评估的直方图技术中，自适应直方图均衡化（AHE）在对比度增强和细节保留方面表现最优。
• 整体流程降低了诊断模糊性，支持在临床影像工作流中更可靠地实现肿瘤定位与分类。