Classification of Brain Mri Images by Using the Automatic Segmentation and Texture Analysis

Abstract

Brain tumor is a relatively severe human disease type. Its timely diagnosis and tumor type definition are an actual task in modern medicine. Lately, the segmentation methods on 3D brain images (like computer and magnetic resonance tomography) are used for definition of a certain tumor type. Nevertheless, the segmentation is usually conducted manually, which requires a lot of time and depends on the experience of a doctor. This paper looks at the possibility of creating a method for the automatic segmentation of images. As a training sample, the medical database of MRI brain tomography with three tumor types (meningioma, glioma, and pituitary tumor) was taken. Taking into account the different slices, the base had: 708 examples of meningioma, 1426 examples of glioma, and 930 examples of pituitary tumor. The database authors marked the regions of interest on each image, which were used as a tutor (supervised learning) for automatic segmentation model. Before model creation, currently existing popular automatic segmentation models were analyzed. U-Net deep convolution neural network architecture was used as the most suitable one. As the result of its use, the model was obtained, which can segment the image correctly in seventy four percent of six hundred images (testing sample). After obtaining the automatic segmentation model, the Random Forest models for three “One versus All” tasks and one multiclass task were created for brain tumor classification. The total sample was divided into training (70 %), testing (20 %), and examining (10 %) ones before creating the models. The accuracy of the models in the examining sample varies from 84 to 94 percent. For model classification creation, the texture features were used, obtained by texture analysis method, and created by the co-authors of the Department of Biomedical Cybernetics in the task of liver ultrasound image classification. They were compared with well-known Haralick texture features. The comparison showed that the best way to achieve an accurate classification model is to combine all the features into one stack

Пухлина мозку є доволі тяжкою формою захворювання людини. Його своєчасне виявлення, а також визначення конкретного типу пухлини, є актуальною задачею в сучасній медицині. Для визначення пухлини останнім часом використовують методи сегментації на трьохвимірних зображеннях мозку, таких як комп’ютерна чи магнітно-резонансна томографія. Однак, зазвичай сегментацію проводять вручну, через що тратиться немала кількість часу, до того ж все залежить від досвіду лікаря. В даній роботі розглядається можливість створення методу для автоматичної сегментації зображень. В якості навчальної вибірки була взята медична база магнітно-резонансних томографій мозку з трьома типами пухлин: менінгіома, гліома і пухлина гіпофізу. З врахування різних зрізів база мала в наявності: 708 прикладів менінгіоми, 1426 прикладів гліоми і 930 прикладів пухлини гіпофізу. Авторами бази були розмічені області інтересу на кожному знімку, що було використано в якості вчителя для моделі автоматичної сегментації. Перед тим як створювати модель були проаналізовані існуючи на даний момент популярні методи сегментації. В якості найбільш підходящого для поставленої в дослідженні задачі методу автоматичної сегментації була взята архітектура глибокої згорткової нейронної мережі U-Net. В результаті її використання була отримана модель, яка на тестовій вибірці із шістсот знімків зуміла в сімдесяти чотирьох процентах випадків правильно відсегментувати зображення. Після отримання моделі автоматичної сегментації, для класифікації пухлин мозку були побудовані моделі «випадкового лісу» для трьох задач «один проти всіх», а також для мультикласової задачі. Перед побудовою моделей загальні вибірки були поділені на навчальну (70 %), тестову (20 %) і екзаменаційну (10 %). На екзаменаційній вибірці точність моделей варіюється від 84 до 94 відсотків. Для побудови класифікаційних моделей використовувались ознаки, отримані за методами текстурного аналізу, і яку були розроблені співавторами із кафедри Біомедичної кібернетики в задачі класифікації ультразвукових досліджень печінки. Вони також були порівняні з загальновідомими текстурними ознаками Хараліка. Порівняння показало, що кращий спосіб домогтися точної моделі класифікації, це об'єднати всі ознаки в один стек

Опухоль мозга является достаточно тяжелым видом заболевания человека. Его своевременное обнаружение, а также определение конкретного типа опухоли, является актуальной задачей в современной медицине. Для определения опухоли в последнее время используют методы сегментации на трёхмерных изображениях мозга, таких как компьютерная или магнитно-резонансная томография. Однако, обычно сегментацию проводят вручную, из-за чего тратится немалое количество времени, к тому же всё зависит от опыта врача. В данной работе рассматривается возможность создания метода для автоматической сегментации изображений. В качестве обучающей выборки была взята медицинская база магнитнорезонансных томографий мозга с тремя типами опухолей: менингиома, глиома и опухоль гипофиза. С учетом различных срезов база имела в наличии: 708 примеров менингиомы, 1426 примеров глиомы и 930 примеров опухоли гипофиза. Авторами базы были размечены области интереса на каждом снимке, что было использовано в качестве учителя для модели автоматической сегментации. Прежде чем создать модель, были проанализированы существующие на данный метод популярные методы сегментации. В качестве наиболее подходящего для поставленной в исследовании задачи метода автоматической сегментации была взята архитектура глубокой свёрточной нейронной сети U-Net. В результате её использования была получена модель, которая на тестовой выборке из шестисот снимков сумела в семидесяти четырех процентах случаев правильно отсегментировать изображение. После получения модели автоматической сегментации, для классификации опухолей мозга были построены модели «случайного леса» для трёх задач «один против всех», а также для мультиклассовой задачи. Перед построением моделей общие выборки были поделены на обучающую (70 %), тестовую (20 %) и экзаменационную (10 %). На экзаменационной выборке точность моделей варьируется от 84 до 94 процентов. Для построения классификационных моделей использовались признаки, полученные за методами текстурного анализа, и которые были разработаны соавторами из кафедры Биомедицинской кибернетики в задаче классификации ультразвуковых исследований печени. Они также были сравнены с общеизвестными текстурнымипризнаками Харалика. Сравнение показало, что лучший способ добиться точной модели классификации, это объединить все признаки в один стек