Automated Brain image Segmentation from Magnetic Resonance Image Using SVM and Watershed transform

Abstract

The development of the health care computer assist systems provides better and early diagnosis of the patients suffering from a brain tumor. A brain tumor is categorized as two major kinds named as benign or malignant. Benign brain tumors have a uniform structure and do not contain active cancer cells. On the other hand, malignant cancerous tumors have a heterogeneous structure and contain active cells. The automated brain tumor segmentation and classification from magnetic resonance images (MRI) is a high-level priority for computer-aided health care systems. Accurate brain tumor segmentation is an essential step for further brain tumor analysis and classification of tumor types. In our proposed scheme to improve final tumor classification accuracy, we have applied several image processing techniques. First, noise removal and image enhancement steps were taken to increase segmentation accuracy. Afterward, the texture-based Gray Level Co-occurrence Matrix (GLCM) algorithm was applied for tumor texture feature extraction. Ultimately, the support vector machine (SVM) was applied for final brain tumor classification. We evaluated the performance of our algorithm in terms of final tumor classification accuracy and compared it with a genetic algorithm (GA), adaptive neuro-fuzzy inference system (ANFIS) K-Nearest Neighbor (KNN) classification algorithms. Experimental results indicate that the proposed method has been able to provide the best accuracy compared to other methods by using appropriate filters and GLCM-based texture feature extractor along with SVM-based machine learning. The experimental results show a 97% segmentation accuracy and 94% tumor classification accuracy while the tumor classification accuracy is GA(91.11%), ANFIS ( 89.76%), KNN, (93.79) methods.|건강 관리 컴퓨터 보조 시스템의 개발은 뇌종양으로 고통받는 환자에 대한 더 나은 조기 진단을 제공한다. 뇌종양은 양성 또는 악성이라는 두 가지 주요 종류로 분류된다. 양성 뇌종양은 균일한 구조를 가지며 활성 암세포를 포함하지 않으며, 악성 뇌종양은 이종 구조를 가지며 활성 세포를 포함한다. 자기공명영상 (MRI)은 종양 구조에 대한 자세한 정보를 나타낼 수 있는 뇌종양의 영상 및 분석에 사용되는 주요 영상 시스템 중 하나이다. 컴퓨터 보조 건강 관리 시스템의 정보처리 중 하나로 요구되는 것이 자기공명영상 (MRI)의 뇌종양 영상의 자동 분할과 분류 작업이다. 정확한 뇌종양 영상분할은 뇌종양 분석 및 종양 유형 분류를 위한 필수 단계이다.

본 논문에서는 최종 종양 분류 정확도를 향상시키기 위해 몇 가지 이미지 처리 기술을 적용했다. 먼저, 노이즈 제거 및 이미지 향상 단계를 수행하여 분할 정확도를 높였다. 이후, 텍스처 기반 그레이 레벨 동시 발생 매트릭스 (GLCM) 알고리즘을 종양 텍스처 특징 추출에 적용하고, 서포트 벡터 머신(SVM)이 최종 뇌종양 분류에 적용되었다. 본 논문에서 제안된 방식의 성능을 최종 종양 분류 정확도 측면에서 평가하고, 이를 유전자 알고리즘 (GA), 적응 신경 퍼지 추론 시스템 (ANFIS), K-Nearest Neighbor (KNN) 분류 알고리즘의 성능과 비교하여, 기존의 방식에 비해 보다 높은 정확도를 달성 할 수 있음을 보였다. 실험 결과에 의하면, 본 논문에서 제안하는 SVM 기반 머신 러닝과 함께 적절한 필터와 GLCM 기반 텍스처 피처 추출기를 사용하는 방식은 97 %의 분할 정확도 및 94 %의 종양 분류 정확도를 달성한 반면에, 기존 방식의 종양 분류 정확도는 GA (91.11 %), ANFIS (89.76 %), KNN, (93.79) 이였다.