In this section

    Brain Tumor Analysis and Classification of Brain MR Images

    Brain Tumor Analysis and Classification of Brain MR Images. Masters thesis, King Fahd University of Petroleum and Minerals.

    [img]
    Preview
    		 PDF (MS Computer Science Thesis Report Final)
    Thesis_Complete_Report-03-06-2014.pdf - Published Version
    Available under License Creative Commons Attribution Non-commercial No Derivatives.
    Download (3MB) | Preview

    Arabic Abstract

    التصوير بالرنين المغناطيسي (MRI ) هو طريقة تصوير طبي شائعة الإستخدام للحصول على رؤية تصويرية لبنية الجسم الداخلية و الوظيفية. كما يقوم أخصائيو الأشعة بتحليل عدد كبير من صور الرنين المغناطيسي للكشف عن أورام في المخ. تبدو أشياء متغايرة متشابهة من حيث الشكل والحجم و الكثافة في صور الرنين المغناطيسي مما يستوجب إستخدام تقنيات التجزئة (segmentation). و لهذا أصبحت تقنيات التجزئة أداة هامة وفعالة في المجال التصوير الطبي، وهي تستخدم في كثيرا لمعالجة صور الرئتين والثدي و الدماغ. و من ناحية أخرى فإن أنسجة المخ تنقسم إلى ثلاثة أنواع رئيسية : السائل النخاعي، والمادة الرمادية و المادة البيضاء. كما يتسم التصوير بالرنين المغناطيسي للدماغ بصعوبة التعرف و فصل مناطق هذه الأنسجة بسبب التشابه و متويات الإشارات المتداخلة (additive noise)، الخ. تهدف هذه الرسالة لإجراء بحث في مجالي تجزئة وتصنيف أورام المخ للمساعدة في تحليل فحوصات الرنين المغناطيسي للمخ و مساعدة الأطباء والباحثين في الكشف عن أورام الدماغ. و لهذا قمنا بتحليل الصور المخ تجزئة وتصنيف الجمجمة والدماغ و أورام الدماغ. كما تم الإستعانة بتقنيات شائعة الإستخام لتجزئة وتصنيف للأورام، بلإضافة إلى تقنيات جديدة مقترحة في هذه الرسالة. و اتسمت التقنيات المقترحة بالدقة العالية في التجزئة والتصنيف مقارنة مع التقنيات المعروفة. تقوم تقنيات التجزئة والتصنيف المقترحة بتحديد أجزاء الدماغ من صور الرنين المغناطيسي و استخدامها كأساس لاستخراج علامات مميزة باستخدام تحويل الجيب الرقمي، و تحويل الطيفي لفوريير (Fourier)، تحويل المويجات الرقمي المعتمد على مبدأ التحليل على أساس العناصر الأساسية (PCA) لإختزال حجم العلامات المميزة. كما تم إستعمال مصنفات عدة باعتكاد كل من آلات أشعة الدعم (support vector machines)، تقنية بايز (Bayes) الساذجة، الشبكات العصبية الصناعية المتعددة الطبقات (multilayer perceptron) و الجار الأقرب لتقييم تقنيات التجزئة والتصنيف المقترحة. و أثبت هذا التقييم تحسنا كبيرا في الدقة مع كل المصنفات باستخدام جميع أنواع أجزاء المخ بالمقارنة مع صور الرنين المغناطيسي الغير معالجة.

    English Abstract

    Magnetic resonance imaging (MRI) is a medical imaging modality frequently used to produce a pictorial view of inner body structure and functionality. Radiologists analyze large number of MR images for brain tumor detection. In MR images, various objects look similar in terms of shape, size and density. To properly deal with such similar objects, advanced image segmentation is required. Moreover, image segmentation, an important and effective tool in medical imaging, is used in the segmentation of lung, breast and brain images. On the other hand, brain tissues consist of cerebrospinal fluid, gray matter and white matter. In brain MRI, it is a difficult process to recognize and separate these tissue regions due to similarity, noise, and other factors. This thesis aims at conducting a research in the area of brain tumor segmentation and classification. The thesis findings will help medical practitioners in analyzing brain MRI scans for the detection of brain tumors. To achieve this goal, brain MR images are analyzed using segmentation and classification based on existing and proposed techniques. The proposed segmentation and classification techniques outperform the existing ones in terms of accuracy. The proposed techniques extract first brain parts from MR images. Then, features are extracted from these parts using discrete cosine, discrete Fourier and discrete wavelet transforms. Features extracted using the latter transform are further reduced using the principle component analysis (PCA) algorithm. Finally, the extracted features are classified using support vector machines, naïve Bayes, multilayer perceptron and k-nearest neighbor classifiers. Unlike existing segmentation and classification techniques, the proposed ones attained the highest accuracy levels using all the assessed classifiers.

    Item Type: Thesis (Masters)
    Subjects: Computer
    Department: College of Computing and Mathematics > Information and Computer Science
    Committee Advisor: Sabri, A. Mahmoud
    Committee Members: Ghouti, Lahouari and Al-Khatib, Wasfi
    Depositing User: LATIF GHAZANFAR (g201103070)
    Date Deposited: 10 Jun 2014 10:45
    Last Modified: 01 Nov 2019 15:42
    URI: http://eprints.kfupm.edu.sa/id/eprint/139288