[论文解读] Automatic Diagnosis of Abnormal Tumor Region from Brain Computed Tomography Images Using Wavelet Based Statistical Texture Features

A. Padma, R. Sukanesh|arXiv (Cornell University)|Sep 6, 2011

Brain Tumor Detection and Classification参考文献 18被引用 13

一句话总结

本文提出了一种基于小波统计纹理特征的自动化方法，用于检测脑部CT扫描中的异常肿瘤区域。该方法包括离散小波分解、特征提取、基于遗传算法的特征选择以及支持向量机（SVM）分类，10折交叉验证的准确率达到96%，优于反向传播神经网络（BPN）。

ABSTRACT

The research work presented in this paper is to achieve the tissue classification and automatically diagnosis the abnormal tumor region present in Computed Tomography (CT) images using the wavelet based statistical texture analysis method. Comparative studies of texture analysis method are performed for the proposed wavelet based texture analysis method and Spatial Gray Level Dependence Method (SGLDM). Our proposed system consists of four phases i) Discrete Wavelet Decomposition (ii) Feature extraction (iii) Feature selection (iv) Analysis of extracted texture features by classifier. A wavelet based statistical texture feature set is derived from normal and tumor regions. Genetic Algorithm (GA) is used to select the optimal texture features from the set of extracted texture features. We construct the Support Vector Machine (SVM) based classifier and evaluate the performance of classifier by comparing the classification results of the SVM based classifier with the Back Propagation Neural network classifier(BPN). The results of Support Vector Machine (SVM), BPN classifiers for the texture analysis methods are evaluated using Receiver Operating Characteristic (ROC) analysis. Experimental results show that the classification accuracy of SVM is 96% for 10 fold cross validation method. The system has been tested with a number of real Computed Tomography brain images and has achieved satisfactory results.

研究动机与目标

• 开发一种自动化系统，用于分类脑部CT图像中的正常与异常肿瘤区域。
• 通过利用基于小波的统计纹理特征而非传统方法，提高诊断准确性。
• 使用遗传算法优化特征选择，以提升分类性能。
• 比较支持向量机（SVM）与反向传播神经网络（BPN）分类器在肿瘤检测中的性能。
• 使用真实临床脑部CT图像和受试者工作特征（ROC）分析验证该系统。

提出的方法

• 对脑部CT图像应用离散小波变换（DWT），将其分解为子带，实现多分辨率分析。
• 从子带中提取基于小波的统计纹理特征，如能量、熵和对比度。
• 使用遗传算法（GA）从提取的特征集中选择最具区分性的纹理特征。
• 基于所选特征训练支持向量机（SVM）分类器，用于肿瘤分类。
• 使用10折交叉验证和受试者工作特征（ROC）分析评估分类器性能。
• 使用相同数据集和特征，比较SVM分类器与反向传播神经网络（BPN）分类器的性能。

实验结果

研究问题

• RQ1 与传统方法相比，基于小波的纹理特征是否能提高脑部CT图像中自动肿瘤检测的准确性？
• RQ2 基于遗传算法的特征选择在降低维度的同时，保留诊断信息的有效性如何？
• RQ3 SVM在分类脑部CT扫描中的正常与异常组织区域方面是否优于BPN？
• RQ4 所提出系统在10折交叉验证下的分类准确率是多少？
• RQ5 SVM与BPN在区分肿瘤与正常组织方面的ROC曲线如何比较？

主要发现

• 所提出的系统在使用SVM分类器进行10折交叉验证时，分类准确率达到96%。
• SVM分类器在分类准确率和ROC性能方面均优于反向传播神经网络（BPN）分类器。
• 基于小波的纹理特征相比空间灰度依赖矩阵法（SGLDM）表现出更优的区分能力。
• 基于遗传算法的特征选择有效减少了特征集，同时保持了高分类准确率。
• 在真实临床脑部CT图像上测试时，该系统表现出一致且令人满意的性能。
• ROC分析证实了基于SVM的分类模型具有稳健性和可靠性。