AI Summary & Key Takeaways
AI InsightThese results show that the proposed technique is effective and promising for detecting tumors in brain MR images and enhances the classification process to be more accurate.
📌 3 Key Takeaways
Abstract
Computer aided detection (CAD) systems helps the detection of abnormalities in medical images using advanced image processing and pattern recognition techniques. CAD has advantages in accelerating decision-making and reducing the human error in detection process. In this study, a CAD system is developed which is based on morphological reconstruction and classification methods with the use of morphological features of the regions of interest to detect brain tumors from brain magnetic resonance (MR) images. The CAD system consists of four stages: the preprocessing, the segmentation, region of interest specification and tumor detection stages. The system is evaluated on REMBRANDT dataset with 497 MR image slices of 10 patients. In the classification stage the performance of CAD has achieved accuracy of 93.36% with Decision Tree Algorithm, 94.89% with Artificial Neural Network (Multilayer Perceptron), 96.93% with K-Nearest Neighbour Algorithm and 96.93% with Meta-Learner (Decorate) Algorithm. These results show that the proposed technique is effective and promising for detecting tumors in brain MR images and enhances the classification process to be more accurate. The using morphological reconstruction method is useful and adaptive than the methods used in other CAD applications.
Özet
Bilgisayar destekli tespit (BDT) sistemleri görüntü işleme ve örüntü tanıma tekniklerini kullanarak medikal görüntülerdeki normal olmayan yapıların tespit işlemine yardımcı olmaktadır. BDT sistemleri karar verme sürecini hızlandırırken bu süreçteki insan hatası olasılığını da azaltarak fayda sağlamaktadır. Bu çalışmada beyin MR görüntülerinde tespit edilen ilgi alanlarını biçimsel öznitelikler kullanılarak yeniden yapılandırılması ve sınıflandırılmasını yapabilen bir BDT sistemi geliştirilmiştir. Geliştirilen sistem önişleme, bölütleme, ilgi alanı belirleme ve tümör tespiti olmak üzere dört aşamadan oluşmaktadır. Geliştirilen sistem 10 hastaya ait 497 kesit görüntüsünden oluşan REMBRANDT veri setiyle değerlendirilmiştir. Sınıflandırma işleminde sistemin performansı karar ağaçları ile %93,36, yapay sinir ağları ile %94,89, K-en yakın komşu ile algoritması ile %96,93 ve Meta-Learner algoritması ile %96,93 doğruluk oranlarına erişmiştir. Bu sonuçlar önerilen yöntemin MR görüntülerinden beyin tümörü tespitinde etkin olduğunu ve sınıflandırma işleminin performansını arttırdığını göstermektedir. Kullanılan biçimsel yapılandırma yöntemi diğer BDT uygulamalarına uyarlanabilecek şekilde geliştirilmiştir.