[论文解读] Brain MRI Segmentation using Rule-Based Hybrid Approach

Mustansar Fiaz, Kamran Ali+3 more|arXiv (Cornell University)|Feb 12, 2019

Brain Tumor Detection and Classification参考文献 19被引用 4

一句话总结

本文提出了一种基于规则的混合方法用于脑部MRI分割，结合Gabor特征提取与多种分类器——ISNN、KNN、PNN和SVM——根据性能为每种组织类型选择最优分类器。该方法通过动态分配每种组织类型下表现最佳的分类器，实现了在不同脑组织上的分割精度提升，在实验评估中优于单一分类器。

ABSTRACT

Medical image segmentation being a substantial component of image processing plays a significant role to analyze gross anatomy, to locate an infirmity and to plan the surgical procedures. Segmentation of brain Magnetic Resonance Imaging (MRI) is of considerable importance for the accurate diagnosis. However, precise and accurate segmentation of brain MRI is a challenging task. Here, we present an efficient framework for segmentation of brain MR images. For this purpose, Gabor transform method is used to compute features of brain MRI. Then, these features are classified by using four different classifiers i.e., Incremental Supervised Neural Network (ISNN), K-Nearest Neighbor (KNN), Probabilistic Neural Network (PNN), and Support Vector Machine (SVM). Performance of these classifiers is investigated over different images of brain MRI and the variation in the performance of these classifiers is observed for different brain tissues. Thus, we proposed a rule-based hybrid approach to segment brain MRI. Experimental results show that the performance of these classifiers varies over each tissue MRI and the proposed rule-based hybrid approach exhibits better segmentation of brain MRI tissues.

研究动机与目标

• 为解决脑部MRI组织精确且鲁棒的分割挑战，这对诊断和手术规划至关重要。
• 评估四种分类器——ISNN、KNN、PNN和SVM——在脑部MRI分割任务中的性能。
• 开发一种混合方法，基于实证性能为每种组织类型选择最优分类器，以提升整体分割精度。
• 通过利用分类器的特定优势，减少不同脑组织间分割结果的变异性。

提出的方法

• 应用Gabor变换从脑部MRI扫描中提取纹理和空间频率特征。
• 在提取的特征上训练并评估四种分类器——增量监督神经网络（ISNN）、K近邻（KNN）、概率神经网络（PNN）和支持向量机（SVM）——。
• 分别评估每种分类器在不同脑组织（如白质、灰质、脑脊液）上的性能，以识别组织特异性下的最优表现。
• 设计基于规则的系统，根据实验结果动态选择每种组织类型下表现最佳的分类器。
• 将选定的分类器整合到混合框架中，生成最终的统一分割输出。
• 在脑部MRI图像数据集上验证该方法，使用标准分割指标衡量性能。

实验结果

研究问题

• RQ1 在MRI分割中，ISNN、KNN、PNN和SVM中哪一分类器在每种脑组织类型上表现最佳？
• RQ2 分类器性能在不同脑组织（如白质、灰质、脑脊液）之间如何变化？
• RQ3 基于多种分类器的规则融合策略是否能相比单一分类器提升整体分割精度？
• RQ4 基于组织特异性性能的动态分类器选择是否能带来更一致且更准确的分割结果？

主要发现

• 各单一分类器在不同脑组织上的表现存在显著差异，无单一分类器在所有组织类型中均表现最优。
• 所提出的基于规则的混合方法通过为每种组织选择最佳表现分类器，实现了优于任何单一分类器的分割精度。
• Gabor特征能有效捕捉对MRI中区分脑组织类型有用的纹理和结构信息。
• 该混合系统通过利用针对特定组织特征量身定制的多种分类器优势，降低了分割误差。