基于SIBOW-SVM的鲁棒脑MRI图像分类

大脑中大多数原发性中枢神经系统（CNS）肿瘤是影响人类最具侵袭性的疾病之一。早期检测脑肿瘤类型，无论是良性或恶性、胶质或非胶质，对于癌症预防和治疗至关重要，最终可延长人类预期寿命。磁共振成像（MRI）是通过扫描生成全面脑部图像来检测脑肿瘤的最有效技术。然而，由于脑肿瘤的复杂性、大小和位置变异性，人工检查容易出错且效率低下。近来，使用机器学习（ML）方法（如卷积神经网络（CNN））的自动分类技术已显示出比人工筛查显著更高的准确率，同时保持较低的计算成本。尽管如此，包括CNN在内的基于深度学习的图像分类方法在缺乏适当模型校准的情况下，难以估计类别概率。本文提出一种新颖的脑肿瘤图像分类方法，称为SIBOW-SVM，其将词袋（BoF）模型与SIFT特征提取和加权支持向量机（wSVM）相集成。该新方法有效捕获隐藏图像特征，从而能够区分不同肿瘤类型并准确预测标签。此外，SIBOW-SVM能够估计图像属于各类别的概率，从而提供高置信度的分类决策。我们还开发了可扩展且可并行的算法，以促进SIBOW-SVM在海量图像中的实际实施。作为基准，我们将SIBOW-SVM应用于一个包含四类（胶质瘤、脑膜瘤、垂体瘤和正常）的脑肿瘤MRI图像公开数据集。我们的结果表明，该新方法优于包括CNN在内的最先进方法。