Comparative Analysis of Classification Algorithms in Brain Tumour Detection from Magnetic Resonance Images

Year 2023, Volume: 2 Issue: 2, 113 - 122, 14.11.2023

Oruç Altay Kırlı , Merve Sansarcı , Osman Özkaraca , Gürcan Çetin

Abstract

An abnormal tissue mass that grows and proliferates uncontrollably and cannot be controlled by the mechanisms that control normal cells in the brain is called an intracranial tumour or brain tumour. First, brain tumours begin to show symptoms such as headaches, seizures, feeling sick all the time (nausea), being sick (vomiting), and lethargy. Generally, diagnosing a brain tumour begins with magnetic resonance imaging (MRI). When an MRI shows that there is a tumour in the brain, the most common way to determine the type of brain tumour is to look at the results of a biopsy or tissue sample taken after surgery. Early diagnosis is of great importance in treating these tumours. With the developing artificial intelligence technologies and methods in recent years, early detection and analysis of such tumours has become easier. Segmentation of images is performed during the detection of tumours with computer-aided algorithms. The output of an effective medical segmentation algorithm guides the classifier more efficiently in identifying the stages of such abnormalities. In this study, how medical segmentation methods, including artificial intelligence technologies, can be used to detect tumours in MRI images was examined and various models were analysed. The highest accuracy rate (84,4%) was obtained with the Linear-SVM (Support Vector Machine) algorithm using the Chi Square test in feature extraction. The Random Forest algorithm also gave a very successful result with an accuracy rate of 81,5%. When the results of the study were evaluated, it was seen that Random Forest and SVM algorithms showed the best performance.

Keywords

MRI, brain tumour, classification, Support Vector Machine, Random Forest, machine learning.

Manyetik Rezonans Görüntülerinden Beyin Tümörü Tespitinde Sınıflandırma Algoritmalarının Karşılaştırmalı Analizi

Abstract

Beyinde normal hücreleri kontrol eden mekanizmalar tarafından kontrol edilemeyen, kontrolsüz bir şekilde büyüyen ve çoğalan anormal bir doku kütlesine intrakraniyal tümör ya da beyin tümörü adı verilir. İlk olarak beyin tümörleri baş ağrısı, nöbetler sürekli hasta hissetme (bulantı), hasta olma (kusma) ve uyuşukluk gibi semptomlar göstermeye başlar. Genel olarak, bir beyin tümörü teşhisi manyetik rezonans görüntüleme (MRG) ile başlar. MRG beyinde bir tümör olduğunu gösterdiğinde, beyin tümörünün tipini belirlemenin en yaygın yolu biyopsi veya ameliyat sonrası alınan doku örneğinin sonuçlarına bakmaktır. Bu tümörlerin tedavi edilmesinde erken teşhisin önemi oldukça büyüktür. Son yıllarda gelişen yapay zekâ teknolojileri ve yöntemleri ile bu tür tümörlerin erken tespiti ve analizi daha kolay hale gelmiştir. Tümörlerin bilgisayar destekli algoritmalar ile tespiti sırasında görüntülerin segmantasyonu yapılmaktadır. Etkili bir tıbbi segmentasyon algoritması çıktısı, sınıflandırıcıyı bu tür anormalliklerin aşamalarını belirlemede daha verimli bir şekilde yönlendirmektedir. Bu çalışmada, yapay zekâ teknolojilerinin de içerisinde bulunduğu tıbbi segmentasyon yöntemleri ile MRG görüntülerindeki tümör tespitinde nasıl kullanılabileceği incelenmiş ve çeşitli modellerin analizleri yapılmıştır. En yüksek doğruluk oranı (% 84,4), özellik çıkarımında Chi-Kare testi kullanılan Doğrusal-DVM (Destek Vektör Makinesi) algoritması ile elde edilmiştir. Rassal orman algoritması da % 81,5 doğruluk oranı ile oldukça başarılı bir sonuç vermiştir. Çalışmanın sonuçları değerlendirildiğinde, Rassal Orman ve DVM algoritmalarının en iyi performansı gösterdiği görülmüştür.

Keywords

MRG, beyin tümörü, sınıflandırma, destek vektör makinesi, rassal orman, makine öğrenmesi.

References

• N. Bhagat and G. Kaur, "MRI brain tumor image classification with support vector machine," Mater. Today: Proc., vol. 51, no. 8, pp. 2233-2244, 2022.
• P. Sutradhar, P. K. Tarefder, I. Prodan, M. S. Saddi and V. S. Rozario, "Multi-modal case study on MRG brain tumor detection using support vector machine, random forest, decision tree, k-nearest neighbor, temporal convolution transfer learning," AJSE, vol. 20, no. 3, pp. 107-117, Sep. 2021.
• S. N. Kumar, A. L. Fred, H. A. Kumar and P. S. Varghese, "Performance metric evaluation of segmentation algorithms for gold standard medical images," Recent Findings in Intelligent Computing Techniques, Springer, Singapore, Nov. 2018, pp. 457-469.
• P. Balabil, "Generative deep belief model for improved medical image segmentation," Intell. Autom. Soft Comput., vol. 35, no. 1, pp. 1-14, 2023.
• K. D. Babu and C. S. Singh, "Brain tumor segmentation through level based learning model," Comput. Syst. Sci. Eng., vol. 44, no. 1, pp. 709-720, 2023.
• R. Ghulam, S. Fatima, T. Ali, N. A. Zafar, A. A. Asiri, H. A. Alshamrani, S. M. Alqhtani and K. M. Mehdar, "A U-Net-based CNN model for detection and segmentation of brain tumor," Comput. Mater. Contin., vol. 74, no. 1, pp. 1333-1349, 2023.
• S. Sedlar, "Brain tumor segmentation using a multi-path CNN based method," Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, Lecture Notes in Computer Science, Springer, Cham, Feb. 2018, vol. 10670, pp. 403-422.
• Y.-X. Zhao, Y.-M. Zhang ve C.-L. Liu, "Bag of tricks for 3D MRG brain tumor segmentation," Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, Springer, Cham, May 2020, vol. 11992, pp. 210–220.
• H. Liu, G. Huo, Q. Li, X. Guan and M.-L. Tseng, "Multiscale lightweight 3D segmentation algorithm with attention mechanism: Brain tumor image segmentation," Expert Syst. Appl., vol. 214, pp. 119166, Mar. 2023.
• F. Behrad and M. S. Abadeh, "Evolutionary convolutional neural network for efficient brain tumor segmentation and overall survival prediction," Expert Systems with Applications, vol. 213, no. Part B, pp. 118996, 2023.
• S. Pereira, A. Pinto, V. Alves and C. A. Silva, "Brain tumor segmentation using convolutional neural networks in MRG images," IEEE Trans. Med. Imaging., vol. 35, no. 5, pp. 1240-1251, Mar. 2016.
• L. Anand, K. P. Rane, L. A. Bewoor, J. L. Bangare, J. Surve, M. P. Raghunath and S. Sankaran, "Development of machine learning and medical enabled multimodal for segmentation and classification of brain tumor using MRG images," Comput. Intell. Neurosci., pp. 7797094, Aug. 2022.
• B. Ragupathy, B. Subramani and S. Arumugam, "A novel approach for MR brain tumor classification and detection using optimal CNN-SVM model," Int. J. Imaging Syst. Technol., vol. 33, no. 2, pp. 746-759, Nov. 2022.
• J. Wu and H. Yang, "Linear regression-based efficient SVM learning for large-scale classification," IEEE Trans. Neural Netw. Learn. Syst., vol. 26, no. 10, pp. 2357-2369, Jan. 2015.
• The Chi squared tests., 1997. [Online]. Available: https://www.bmj.com/about-bmj/resources-readers/publications/statistics-square-one/8-chi-squared-tests.
• M. Nickparvar, "Brain Tumor MRG Dataset," 2021. Retrieved from https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset/metadata.