[论文解读] Hybrid Medical Image Classification Using Association Rule Mining with Decision Tree Algorithm

P. Rajendran, M. Madheswaran|arXiv (Cornell University)|Jan 20, 2010

Image Retrieval and Classification Techniques参考文献 3被引用 75

一句话总结

该论文提出了一种混合医学图像分类系统，通过FP-Growth关联规则挖掘与决策树分类相结合，以提高CT扫描中脑肿瘤的检测效果。通过整合中值滤波、Canny边缘检测以及频繁模式挖掘，该方法在预先诊断的脑部图像数据库上实现了97%的敏感度和95%的准确率，显著提升了对正常、良性或恶性肿瘤分类的诊断精度。

ABSTRACT

The main focus of image mining in the proposed method is concerned with the classification of brain tumor in the CT scan brain images. The major steps involved in the system are: pre-processing, feature extraction, association rule mining and hybrid classifier. The pre-processing step has been done using the median filtering process and edge features have been extracted using canny edge detection technique. The two image mining approaches with a hybrid manner have been proposed in this paper. The frequent patterns from the CT scan images are generated by frequent pattern tree (FP-Tree) algorithm that mines the association rules. The decision tree method has been used to classify the medical images for diagnosis. This system enhances the classification process to be more accurate. The hybrid method improves the efficiency of the proposed method than the traditional image mining methods. The experimental result on prediagnosed database of brain images showed 97% sensitivity and 95% accuracy respectively. The physicians can make use of this accurate decision tree classification phase for classifying the brain images into normal, benign and malignant for effective medical diagnosis.

研究动机与目标

• 通过混合数据挖掘技术提高CT扫描图像中脑肿瘤分类的准确性。
• 通过将关联规则挖掘与决策树分类相结合，解决传统图像挖掘方法的局限性。
• 通过提供一种数据驱动的分类系统，为临床医生提供正常、良性和恶性肿瘤状态的分类，以增强诊断可靠性。
• 开发一个结合预处理、特征提取和模式挖掘的稳健流程，用于医学图像分析。

提出的方法

• 使用中值滤波对CT扫描图像进行预处理，以减少噪声。
• 使用Canny边缘检测技术提取边缘特征，以突出结构边界。
• 在预处理后的图像上使用FP-Growth算法生成频繁模式，以发现有意义的关联。
• 从频繁模式中挖掘关联规则，以识别与肿瘤类型相关的关键图像特征。
• 使用挖掘出的规则训练决策树分类器，将图像分类为正常、良性或恶性类别。
• 该混合方法结合基于规则的模式发现与监督学习，以提升分类性能。

实验结果

研究问题

• RQ1 关联规则挖掘能否提升CT扫描图像中脑肿瘤模式的检测效果？
• RQ2 与独立方法相比，将FP-Growth与决策树分类器结合如何提升分类准确率？
• RQ3 预处理和边缘特征提取在多大程度上能提高肿瘤分类的可靠性？
• RQ4 该混合系统在区分正常、良性和恶性脑肿瘤方面的敏感度和准确率是多少？

主要发现

• 所提出的混合系统在从CT扫描图像中检测脑肿瘤方面达到了97%的敏感度。
• 该系统在预先诊断的脑部图像数据库上表现出95%的整体分类准确率。
• 将基于FP-Growth的关联规则挖掘与决策树分类相结合，相较于传统图像挖掘方法，显著提升了诊断性能。
• 该方法通过实现对正常、良性或恶性肿瘤类型的准确分类，有效支持临床决策。