Robust Brain MRI Image Classification with SIBOW-SVM

要約

脳内の原発性中枢神経系 (CNS) 腫瘍の大部分は、人間が罹患する最も進行性の病気の 1 つです。
良性か悪性か、グリア性か非グリア性かにかかわらず、脳腫瘍の種類を早期に検出することは、がんの予防と治療にとって重要であり、最終的には人の平均余命を改善します。
磁気共鳴画像法 (MRI) は、スキャンを通じて包括的な脳画像を生成することにより、脳腫瘍を検出する最も効果的な技術です。
しかし、脳腫瘍の複雑さ、サイズ、位置のばらつきにより、人間による検査は間違いが発生しやすく非効率的になる可能性があります。
最近、畳み込みニューラル ネットワーク (CNN) などの機械学習 (ML) 手法を使用した自動分類手法は、低い計算コストを維持しながら、手動によるスクリーニングよりも大幅に高い精度を実証しました。
それにもかかわらず、CNN を含む深層学習ベースの画像分類手法は、適切なモデルのキャリブレーションなしでクラス確率を推定するという課題に直面しています。
この論文では、SIBOW-SVM と呼ばれる新しい脳腫瘍画像分類方法を提案します。これは、Bag-of-Feature (BoF) モデルと SIFT 特徴抽出および重み付きサポート ベクター マシン (wSVM) を統合します。
この新しいアプローチは、隠された画像の特徴を効果的に捕捉し、さまざまな腫瘍タイプの区別と正確なラベル予測を可能にします。
さらに、SIBOW-SVM は各クラスに属する画像の確率を推定できるため、信頼性の高い分類決定が可能になります。
また、大規模な画像に対する SIBOW-SVM の実用的な実装を容易にする、スケーラブルで並列可能なアルゴリズムも開発しました。
ベンチマークとして、神経膠腫、髄膜腫、下垂体、正常の 4 つのクラスを含む脳腫瘍 MRI 画像の公開データ セットに SIBOW-SVM を適用します。
私たちの結果は、新しい方法が CNN を含む最先端の方法よりも優れていることを示しています。

要約(オリジナル)

The majority of primary Central Nervous System (CNS) tumors in the brain are among the most aggressive diseases affecting humans. Early detection of brain tumor types, whether benign or malignant, glial or non-glial, is critical for cancer prevention and treatment, ultimately improving human life expectancy. Magnetic Resonance Imaging (MRI) stands as the most effective technique to detect brain tumors by generating comprehensive brain images through scans. However, human examination can be error-prone and inefficient due to the complexity, size, and location variability of brain tumors. Recently, automated classification techniques using machine learning (ML) methods, such as Convolutional Neural Network (CNN), have demonstrated significantly higher accuracy than manual screening, while maintaining low computational costs. Nonetheless, deep learning-based image classification methods, including CNN, face challenges in estimating class probabilities without proper model calibration. In this paper, we propose a novel brain tumor image classification method, called SIBOW-SVM, which integrates the Bag-of-Features (BoF) model with SIFT feature extraction and weighted Support Vector Machines (wSVMs). This new approach effectively captures hidden image features, enabling the differentiation of various tumor types and accurate label predictions. Additionally, the SIBOW-SVM is able to estimate the probabilities of images belonging to each class, thereby providing high-confidence classification decisions. We have also developed scalable and parallelable algorithms to facilitate the practical implementation of SIBOW-SVM for massive images. As a benchmark, we apply the SIBOW-SVM to a public data set of brain tumor MRI images containing four classes: glioma, meningioma, pituitary, and normal. Our results show that the new method outperforms state-of-the-art methods, including CNN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google