基于深度混合提升与集成学习的MRI脑肿瘤分析新方法
图像与视频处理
2022-02-14 v2 计算机视觉与模式识别
机器学习
摘要
脑肿瘤分析对于患者的及时诊断与有效治疗至关重要。由于肿瘤在医学图像中表现出大小、位置、纹理及异形外观等形态学特征，肿瘤分析具有挑战性。为此，本文提出一种新颖的基于两阶段深度学习的框架，用于检测和分类磁共振图像（MRI）中的脑肿瘤。在第一阶段，提出一种新颖的深度提升特征与集成分类器（DBF-EC）方案，以有效从健康个体中检测出肿瘤MRI图像。深度提升特征空间通过定制且性能良好的深度卷积神经网络（CNN）获得，并随后输入机器学习（ML）分类器的集成中。而在第二阶段，提出一种基于混合特征融合的新脑肿瘤分类方法，由动态-静态特征与ML分类器组成，用于分类不同肿瘤类型。动态特征从所提出的BRAIN-RENet CNN中提取，该网络仔细学习了各种肿瘤的异形和不一致行为，而静态特征使用HOG提取。所提出的两阶段脑肿瘤分析框架的有效性在两个标准基准数据集上得到验证；数据集采集自Kaggle和Figshare，包含不同类型的肿瘤，包括胶质瘤、脑膜瘤、垂体瘤和正常图像。实验结果证明，所提出的DBF-EC检测方案表现优越，达到了准确率（99.56%）、精确率（0.9991）、召回率（0.9899）、F1分数（0.9945）、MCC（0.9892）和AUC-PR（0.9990）。而在分类方案中，所提出的BRAIN-RENet深度特征融合与HOG特征的联合使用在不同数据集上显著提升了性能，召回率（0.9913）、精确率（0.9906）、F1分数（0.9909）和准确率（99.20%）。
引用
@article{arxiv.2201.05373,
title = {A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI},
author = {Mirza Mumtaz Zahoor and Shahzad Ahmad Qureshi and Saddam Hussain Khan and Asifullah Khan},
journal= {arXiv preprint arXiv:2201.05373},
year = {2022}
}
备注
26 pages, 9 figures, 8 tables