[论文解读] An Improved Image Mining Technique For Brain Tumour Classification Using Efficient Classifier

P. Rajendran, M. Madheswaran|arXiv (Cornell University)|Jan 12, 2010

Image Retrieval and Classification TechniquesComputer Science参考文献 26被引用 22

一句话总结

本文提出了一种改进的图像挖掘技术，用于使用剪枝关联规则挖掘和MARI算法对脑肿瘤进行分类，整合低层次图像特征与专家知识以提高诊断准确性。该方法在将CT脑部扫描分类为正常、良性或恶性类别时，实现了96%的敏感度和93%的准确率。

ABSTRACT

An improved image mining technique for brain tumor classification using pruned association rule with MARI algorithm is presented in this paper. The method proposed makes use of association rule mining technique to classify the CT scan brain images into three categories namely normal, benign and malign. It combines the low level features extracted from images and high level knowledge from specialists. The developed algorithm can assist the physicians for efficient classification with multiple keywords per image to improve the accuracy. The experimental result on prediagnosed database of brain images showed 96 percent and 93 percent sensitivity and accuracy respectively.

研究动机与目标

• 通过数据挖掘技术提高从CT扫描图像中对脑肿瘤分类的准确性。
• 整合低层次图像特征与高层次专家知识，以增强诊断支持能力。
• 开发一种每幅图像支持多关键词分类的系统，以提高分类精度。
• 通过自动化挖掘减少假阳性结果，提升脑肿瘤的早期检测能力。
• 在预先诊断的脑部图像数据库上验证该方法，以确保其在真实场景中的适用性。

提出的方法

• 该方法采用剪枝的关联规则挖掘技术，从CT扫描图像中提取有意义的模式。
• 从脑部MRI/CT图像中提取纹理、强度和形状等低层次特征。
• 使用MARI（图像中关联规则挖掘）算法从特征集中生成并优化关联规则。
• 将放射科医生的专家知识编码为高层次规则，以指导并验证挖掘过程。
• 对每幅图像应用多个关键词，以提高分类的粒度并减少歧义。
• 采用混合方法，结合图像特征与专家规则，训练出高效的三分类分类器，用于区分正常、良性与恶性类别。

实验结果

研究问题

• RQ1 使用剪枝的关联规则挖掘能否提高CT扫描中脑肿瘤分类的准确性？
• RQ2 低层次图像特征与专家知识的结合在多大程度上能提升诊断精度？
• RQ3 每幅图像采用多关键词分类在多大程度上能提高敏感度与特异度？
• RQ4 MARI算法能否高效处理复杂图像数据以支持医学诊断？
• RQ5 该方法在真实预先诊断数据集上的敏感度与准确率表现如何？

主要发现

• 所提出的方法在从CT扫描中检测脑肿瘤时达到了96%的敏感度。
• 该系统在将脑部图像分类为正常、良性或恶性类别时，整体准确率达到93%。
• 低层次图像特征与专家推导的高层次规则的整合显著提高了分类的可靠性。
• 每幅图像使用多个关键词增强了系统区分细微肿瘤特征的能力。
• 剪枝的关联规则挖掘方法减少了无关规则，提升了计算效率。
• 结果在预先诊断的数据库上得到验证，证实了该方法在临床部署中的潜力。