Brain Image Classification with Support Vector Machines using Self-Dual Attribute Profiles

Abstract

A more detailed knowledge of the human brain is desirable. Automating the process of reviewing brain images and detecting abnormalities of those would be a significant effort in that process. In this research, a labelled data set of high resolution brain slice images is analysed. Each pixel of the images has been manually labelled, depending on which area of the brain the pixel belongs to. The aim of this research is to perform pixel-wise classification, utilizing the data set of brain images. The objective is to recognise cortex regions from other areas of the brain. The challenge of the work lies in the magnitude of an image, that is approximately 37.000.000 pixels per image. The volume of the images introduce computational complexity in terms of memory and processing time, which encourages the employ of a High Performance Computing (HPC) system. The proposed approach is to perform feature extraction with Self-Dual Attribute Profiles (SDAP) and to use Support Vector Machines (SVM) for the classification. The obtained classification results indicate that Support Vector Machines are suitable for classification of brain images.

Að öðlast yfirgripsmeiri þekkingu á mannsheilanum er eftirsóknarvert fyrir heimsbyggðina. Að finna leið til að yfirfara heilasneiðmyndir sjálfvirkt og uppgötva frávik í þeim væru stór framför í því ferli. Í þessari rannsókn fer fram greining á gagnabanka með heilasneiðmyndum af hárri upplausn. Pixlar myndanna hafa verið merktir handvirkt, eftir því hvaða svæði heilans þeir tilheyra. Tilgangur rannsóknarinnar er að framkvæma pixla flokkun á heilasneiðmyndunum. Markmiðið er að þekkja heilabörkinn frá öðrum hlutum heilans. Áskorun verkefnisins liggur í stærð myndanna, en þær eru um 37.000.000 pixlar af stærð, hver. Stærð myndanna veldur þunga í vinnslu þeirra, en þess vegna er notuð ofurtölva. Aðferðin sem lögð er til er að framkvæma útdrátt sérkenna (e. Feature Extraction) með tví-sjálfvöldum eiginda sniðmátum (e. Self Dual Attribute Profiles) og flokkunin gerð með stoðvigravélum (e. Support Vector Machines). Rannsóknin bendir til þess að stoðvigravélar séu fýsilegur kostur til flokkunar á heilasneiðmyndum.