[论文解读] Brain tumor MRI image classification with feature selection and extraction using linear discriminant analysis

V. P. Gladis Pushpa Rathi, S. Palani|arXiv (Cornell University)|Aug 10, 2012

Brain Tumor Detection and Classification参考文献 5被引用 37

一句话总结

本文提出了一种结合线性判别分析（LDA）与强度、纹理和形状特征的混合特征选择与提取方法，用于对脑部MRI扫描进行正常、白质、灰质、脑脊液及异常区域的精确分类。该方法通过有效降低维度，在来自互联网脑分割资源库的140幅图像数据集上实现了较高的分类准确率，优于传统方法，且使用支持向量机（SVM）对线性和非线性方法进行了对比。

ABSTRACT

Feature extraction is a method of capturing visual content of an image. The feature extraction is the process to represent raw image in its reduced form to facilitate decision making such as pattern classification. We have tried to address the problem of classification MRI brain images by creating a robust and more accurate classifier which can act as an expert assistant to medical practitioners. The objective of this paper is to present a novel method of feature selection and extraction. This approach combines the Intensity, Texture, shape based features and classifies the tumor as white matter, Gray matter, CSF, abnormal and normal area. The experiment is performed on 140 tumor contained brain MR images from the Internet Brain Segmentation Repository. The proposed technique has been carried out over a larger database as compare to any previous work and is more robust and effective. PCA and Linear Discriminant Analysis (LDA) were applied on the training sets. The Support Vector Machine (SVM) classifier served as a comparison of nonlinear techniques Vs linear ones. PCA and LDA methods are used to reduce the number of features used. The feature selection using the proposed technique is more beneficial as it analyses the data according to grouping class variable and gives reduced feature set with high classification accuracy.

研究动机与目标

• 开发一种稳健且精确的脑部MRI图像分类器，以协助医疗从业者。
• 通过有效的特征选择与提取，解决MRI图像分析中高维特征空间的挑战。
• 通过结合强度、纹理和基于形状的特征与降维技术，提升分类性能。
• 评估线性判别分析（LDA）相较于主成分分析（PCA）和SVM在降低特征维度同时保持准确率方面的有效性。
• 在大于以往研究的更大数据集上验证所提方法，以增强其稳健性与泛化能力。

提出的方法

• 该方法从互联网脑分割资源库的140幅脑部MRI图像中提取强度、纹理和基于形状的特征。
• 对训练集应用主成分分析（PCA）和线性判别分析（LDA），以降低特征维度。
• 通过最大化类间散布并最小化类内散布，利用LDA进行特征提取，从而提高类别可分性。
• 使用支持向量机（SVM）对降维后的特征集进行分类，以对比线性和非线性分类性能。
• 特征选择由类别分组引导，确保所选特征最能区分组织类型。
• 该方法强调基于数据的特征选择，考虑类别分布，从而获得紧凑但信息丰富的特征集。

实验结果

研究问题

• RQ1 强度、纹理和形状特征的组合能否提升脑部MRI分割的分类准确率？
• RQ2 与PCA相比，基于LDA的特征提取在降低维度的同时，如何更好地保留类别区分信息？
• RQ3 所提出的考虑类别分组的特征选择方法，是否能比标准方法带来更高的分类准确率？
• RQ4 当应用于降维后的特征集时，线性分类器（如线性核SVM）与非线性分类器的性能如何比较？
• RQ5 所提方法能否在大于以往报道的脑部MRI数据集上实现稳健且精确的分类？

主要发现

• 所提方法通过有效结合强度、纹理和形状特征与基于LDA的降维，实现了高分类准确率。
• LDA在保留类别可分性方面优于PCA，这在MRI数据集上的分类结果中得到验证。
• 由类别分组引导的特征选择过程，生成了保持高判别能力的精简特征集。
• SVM分类器在降维后的特征空间中表现出色，验证了线性方法的有效性。
• 本研究使用了140幅含肿瘤的MRI图像数据集，大于以往研究，增强了结果的稳健性。
• 将LDA与特征选择相结合，产生了更紧凑且信息丰富的特征表示，从而提升了整体分类性能。