[论文解读] Tumor Classification and Segmentation of MR Brain Images

Tanvi Gupta, Pranay Manocha+3 more|arXiv (Cornell University)|Oct 31, 2017

Brain Tumor Detection and Classification参考文献 29被引用 6

一句话总结

本文提出了一种三步法自动化方法，用于在T2加权MR脑部图像中进行肿瘤分类与分割，采用离散小波变换（DWT）特征和机器学习技术。该方法在无需训练模板或先前分割模型的情况下，实现了95%的分类准确率，特异性为100%，敏感度为90%，其核心是创新的对侧区域阈值化方法。

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.

研究动机与目标

• 开发一种自动化系统，用于在MR图像中对脑肿瘤进行分类与分割，以减少诊断时间和错误。
• 通过采用稳健的、基于特征的分类与分割流程，应对MRI中肿瘤变异性的挑战。
• 通过引入独特的对侧区域阈值化技术，消除对训练模板或先验模型的依赖。
• 通过一种简单、可扩展的三步算法，利用标准MRI序列，提升临床神经诊断的准确性。
• 在包含400名受试者的大型数据集上进行验证，采用3:1的训练-测试划分，以确保方法的泛化能力。

提出的方法

• 该方法首先使用支持向量机（SVM）对归一化T2加权MR图像中提取的DWT特征进行训练，实现患者层面的分类。
• 通过在每个切片的DWT特征上应用随机森林分类器，自动选择异常切片。
• 通过一种新颖的对侧区域阈值化技术实现肿瘤分割，该技术比较大脑半球间的对称区域。
• 该方法将整个T2加权体积视为单张图像进行分类，增强了全局上下文感知能力。
• 通过离散小波变换（DWT）进行特征提取，以捕捉多分辨率的纹理和强度模式。
• 该方法无需预训练模型或模板，与大多数现有分割技术形成鲜明对比。

实验结果

研究问题

• RQ1 基于DWT的特征提取方法能否有效分类T2加权MR图像中的脑肿瘤存在？
• RQ2 随机森林分类器能否在不依赖先前分割数据的情况下准确识别异常切片？
• RQ3 对侧区域阈值化方法能否在无需训练集或模板的情况下实现准确的肿瘤分割？
• RQ4 在大型多样化数据集上，使用简单三步流程可实现多高的分类准确率和敏感度？
• RQ5 与现有基于模板或模型的分割技术相比，该方法在特异性和敏感性方面表现如何？

主要发现

• 所提出的方法在测试集上实现了95%的分类准确率，特异性为100%，敏感度为90%。
• 结合DWT特征与SVM及随机森林分类器，可在多种患者扫描中实现稳健的肿瘤检测。
• 对侧区域阈值化方法成功实现了无需任何训练数据或解剖模板的肿瘤分割。
• 整个T2加权体积被视作单张图像进行分类，提升了全局诊断的一致性。
• 该方法在400名受试者、3:1训练-测试划分的数据集上表现出强大的泛化能力，表明其在未见数据上的可靠性。
• 由于无需模板依赖，该方法可适应多种成像协议和扫描设备类型。