ترکیب ماشین بردار پشتیبان و مدل‌های پیش آموزش دیده‌ی شبکه عصبی کانولوشن به منظور طبقه‌بندی تومورهای مغزی در تصاویر ام‌آر‌آی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

2 استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران

3 دانشیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

چکیده

به دلیل محل رشد تومورهای مغزی در سر انسان، معمولا احتمال مرگ بر اثر این تومورها، شش برابر بیشتر از تومورهای دیگر است. سیستم‌های کامپیوتری را می‌توان برای کاهش تجویز درمان‌های نامناسب و کمک به متخصصان در تشخیص این بیماری استفاده کرد. در این مقاله از یک الگوریتم جدید به‌منظور تشخیص تومورها در 900 تصویر ام‌آر‌آی استفاده شده است. این الگوریتم مشتمل بر چهار فاز اصلی است که در فاز اول بعد از ورود داده‌ها عملیات پیش‌پردازش بر روی تصاویر با استفاده از روش یکسان‌سازی هیستوگرام انجام می‌شود. در فاز دوم با استفاده از دو مدل پیش آموزش‌دیده شبکه عصبی کانولوشن، استخراج ویژگی انجام می‌شود. استفاده از مدل‌های پیش آموزش‌دیده شبکه عصبی کانولوشن باعث می‌شود که ویژگی‌ها با کیفیت بالاتر، نسبت به روش‌های سنتی از تصاویر استخراج شود. به علت ایجاد ویژگی‌های فراوان توسط مدل‌های شبکه عصبی کانولوشن، در فاز سوم از روش تحلیل مؤلفه‌های اصلی احتمالی به‌منظور کاهش ابعاد و وابستگی استفاده می‌شود که در نهایت 100 ویژگی اصلی از هر مدل استخراج می‌شود. در فاز چهارم طبقه‌بندی با استفاده از الگوریتم ماشین بردار پشتیبان انجام می‌شود. به‌منظور مقایسه نتایج، از سه شاخص ویژگی، حساسیت، و دقت استفاده شده است. نتایج مقایسه‌ای نشان می‌دهد که الگوریتم پیشنهادی عملکرد مناسبی در اکثر داده‌ها دارد.

کلیدواژه‌ها


عنوان مقاله [English]

combination of support vector machine and pretrained convolutional neural network models to classify brain tumors in MRI images.

نویسندگان [English]

  • Alireza Balavand 1
  • Ali Hosseinzadeh kashan 2
  • abbas saghaei 3
1 Ph.D. Student, Department of Industrial Engineering, Faculty of Engineering, Islamic Azad University, Science and Research Branch, Tehran, Iran
2 Assistant Professor, Department of Industrial Engineering, Faculty of Industrial Engineering and Systems, Tarbiat Modares University, Tehran, Iran
3 Associate Professor, Department of Industrial Engineering, Faculty of Engineering, Islamic Azad University, Science and Research Branch, Tehran, Iran
چکیده [English]

Mortality in brain tumors is six times higher than other tumors due to its location. Computer systems can be used to reduce the use of inappropriate treatments and help clinicians to diagnose the disease. In this paper, a new algorithm has been used to identify tumors in 900 MRI images. This algorithm consists of four main phases, in the first phase after the input data, the preprocessing operation is performed on the images using the histogram equalization method. In the second phase, the extraction of the feature is performed using two pre-trained convolutional neural network models. The use of pre-trained convolutional neural network models makes it possible to extract higher-quality feature than traditional methods. Due to the creation of many features by convolutional neural network models, in the third phase, the probabilistic principal component analysis method is used to reduce the dimension and dependence, which ultimately extracts 100 main features of each model. In the fourth phase, using support vector machine, classification is done. In order to compare the results, three index of specificity, sensitivity, and accuracy have been used. Comparative results show that the proposed algorithm has a good performance in most data.

کلیدواژه‌ها [English]

  • histogram equalization
  • pre-trained convolutional neural network models
  • probabilistic principal components analysis
  • Support Vector Machine

[1]    Broofer, A., A. Rezaeyan, and S. Shokoohyar. (2016), Identifying the customer behavior model in life insurance Sector using data mining. Management Research in Iran. 20(4): p. 65-94.

[2]    Khadivar, A. and F. Majibian. (2018), Workshops Clustering Using a Combination Approach of Data Mining and MCDM. Modern Researches in Decision Making. 3(2): p. 107-128.

[3]    Ramakrishnan, T. and B.J.P.R.L. Sankaragomathi. (2017), A professional estimate on the computed tomography brain tumor images using SVM-SMO for classification and MRG-GWO for segmentation. 94: p. 163-171.

[4]    Zhang, N., et al. (2011), Kernel feature selection to fuse multi-spectral MRI images for brain tumor segmentation. Computer Vision and Image Understanding. 115(2): p. 256-269.

[5]    Ortiz, A., et al. (2013), Two fully-unsupervised methods for MR brain image segmentation using SOM-based strategies. Applied Soft Computing. 13(5): p. 2668-2682.

[6]    Mohan, G. and M.M. Subashini. (2018), MRI based medical image analysis: Survey on brain tumor grade classification. Biomedical Signal Processing and Control. 39: p. 139-161.

[7]    Nabizadeh, N. and M. Kubat. (2015), Brain tumors detection and segmentation in MR images: Gabor wavelet vs. statistical features. Computers & Electrical Engineering. 45: p. 286-301.

[8]    Loizou, C.P., et al. (2009), Brain MR image normalization in texture analysis of multiple sclerosis. Information Technology and Applications in Biomedicine, 2009. ITAB 2009. 9th International Conference on: p. 1-5.

[9]    Haralick, R.M. and K. Shanmugam. (1973), Textural features for image classification. IEEE Transactions on systems, man, and cybernetics,(6): p. 610-621.

[10]  Daubechies, I.(1992), Ten lectures on wavelets. SIAM.

[11]  Zöllner, F.G., K.E. Emblem, and L.R. Schad. (2012), SVM-based glioma grading: optimization by feature reduction analysis. Zeitschrift für medizinische Physik. 22(3): p. 205-214.

[12]  Dash, M. and H. Liu. (1997), Feature selection for classification. Intelligent data analysis. 1(1-4): p. 131-156.

[13]  Dean, B.L., et al. (1990), Gliomas: classification with MR imaging. Radiology. 174(2): p. 411-415.

[14]  Chaplot, S., L. Patnaik, and N. Jagannathan. (2006), Classification of magnetic resonance brain images using wavelets as input to support vector machine and neural network. Biomedical Signal Processing and Control. 1(1): p. 86-92.

[15]  El-Dahshan, E.-S.A., T. Hosny, and A.-B.M. Salem. (2010), Hybrid intelligent techniques for MRI brain images classification. Digital Signal Processing. 20(2): p. 433-441.

[16]  Marshkole, N., B.K. Singh, and A. Thoke. (2011), Texture and shape based classification of brain tumors using linear vector quantization. International Journal of Computer Applications. 30(11): p. 21-23.

[17]  Preethi, G. and V. Sornagopal. (2014), MRI image classification using GLCM texture features. 2014 International Conference on Green Computing Communication and Electrical Engineering (ICGCCEE): p. 1-6.

[18]  Nayak, D.R., R. Dash, and B. Majhi. (2016), Brain MR image classification using two-dimensional discrete wavelet transform and AdaBoost with random forests. Neurocomputing. 177: p. 188-197.

[19]  Vogado, L.H., et al. (2018), Leukemia diagnosis in blood slides using transfer learning in CNNs and SVM for classification. Engineering Applications of Artificial Intelligence. 72: p. 415-422.

[20]  Hassan zadeh, A., M.h. Ghanbari, and S. Elahi. (2012), Classification of mobile banking users by data mining approach: Comparison between artificial neural networks and naïve bayes techniques. Management Research in Iran. 16(2): p. 57-71.

[21]  Krizhevsky, A., I. Sutskever, and G.E. Hinton. (2012), Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems: p. 1097-1105.

[22]  Szegedy, C., et al. (2015), Going deeper with convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition: p. 1-9.

[23]  Tipping, M.E. and C.M. Bishop. (1999), Probabilistic principal component analysis. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 61(3): p. 611-622.

[24]  Bae, M.H., T. Wu, and R. Pan. (2010), Mix-ratio sampling: Classifying multiclass imbalanced mouse brain images using support vector machine. Expert Systems with Applications. 37(7): p. 4955-4965.

[25]  Cheng, J. (brain tumor dataset. School of Biomedical Engineering Southern Medical University, Guangzhou, China. https:// github.com/ chengjun583/ brainTumorRetrieval.