Indonesi an  Journa l  of El ect ri cal  Engineer ing  an d  Comp ut er  Scie nce   Vo l.   1 4 ,  No.   1 ,  A pr il   201 9 , p p.  478 ~ 489   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 4 .i 1 .pp 478 - 489          478       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Hybrid  enh ance d  ICA &  KSVM b ased br ain  tumor im age  segment atio n       Thri vikra m  B at hini ,  Ba sw ar aj G adgay   Depa rtment   o f  E le c troni cs  &  Co m m unic at ion  En gine er ing ,  Visve svara y a   Technol ogic a l  Univer si t y ,   Indi a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved  J un  1 7 , 2 018   Re vised  O ct   30 , 2 018   Accepte d  D ec  12 , 201 8       Medic a l  image  proc essing  is  an   important   aspe c t  in  di agnosis  an d  tre a tmen t   strat eg y .   Th e  tr e m endous  volum e  of  m edi c al   d ata  has  a ccel er ate d  the   n ee d   for  aut om at ed  ana l y sis  of  thi s   image,   m ore   so  in  the   ca se   Magne tic   Resonanc e  Im a ging  (MRI).  An  improved  K - m ea ns  al gorit h m   and  EM  al gorit hm   have   bee n  combined  i n  the   proposed  a pproa ch  to  prod uce   a  h y brid   strat eg y   for  be t te r  cl uster ing  a nd  segm ent atio n  using  Enh anced  ICA.  A   cl assifi er  for  bas ed  on  Support  Vec tor  Ma chi ne  ( SV M)  has  bee n  form ula te d   and  emplo y ed  for  the   cl assifi cat ion  of  bra in  tumors   in  Magne ti c  Resonanc e   Im age s  (MRI).  The   proposed   SV M  cl assifie r   u sed  a  k ern e l  in   the   form   of   Gauss ia n  ra dia l  basis  func ti on  k ern el   (GRB  ker n el )  to  improve  t he  cl assifi er  per form anc e .   Th e  per form an ce   o f  the  class ifi er  has  bee n   validated  throu g h   expe rt   clinical  o pini on  and   c al cu la ti on   of  p erf or m anc e  m ea sures .   Th e  re sul ts   ampl y   illus tra t e t he  suit abi l ity   o f  t he  proposed   class ifi er.   Ke yw or d s :   EICA   EM   GRB   Kernel   MRI   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   Thr i vikram   Bath ini ,    Dep a rtm ent o f  Ele ct ro nics   &  Com m un ic at io n  E ngineeri ng ,   Visv es va raya  Tech no l og ic al   Un i ver sit y ,   Be la gav i,  Karn at aka ,  India   590018.   Em a il : t hr ivikram bathini@ gm ai l.co m       1.   INTROD U CTION     The  num ber   of  m edical   i m agi ng   te ch niques  that  al ign   with   com pu te r  and  segm entat ion   al gorithm s  hav e   inc rease d.  T hese  te ch ni qu e s  are   exam ined  a nd  valid at ed  by  resea r cher s   th rou gh  the  ye ars.  A na ly t i c   m et ho dolo gies   [1 ]   ha ve  been   app li ed  f or   cl inica l  analy sis  l ike  cance r  tum or   sta ging.  Hum an  interp retat ion   of   i m ages  us e d  to   gr a de  t he  tum or s  m ay   var y  with  eac h  rea de r  as  it   de pe nds  on  the  visu al   featu res  of   le s ion s .   Hen ce ,  these  appr oach es  pl ay   an  i m po rta nt  ro le   i n  ide ntifyi ng   a nd  gr a ding  the  t um or .  The refo re,  a n  autom at ed  i m a ge  a naly ti c  process  is  us e d  t o  cl assify   t he  br ai n  tum or s  wh ic h  a re  ca pa ble  of  quantit at ively   assist ing   in  a  bette r  ob j ect iv e  diag nosis.  S ince  a  tum or   do e s  not  ha ve   a  pr e - de fine d  char act erist ic ,   it   is   i m po rtant  that  these  le sions  be   diff e re ntia te d  into  a  norm al   and   ca nce rous  tum or ,  accurat el y.  Thu s ,  the  br ai n  tum or   i m age  analy sis  is  a  chall eng i ng  ta sk .  T he  proce ss  us ed  for  im age  analy sis  to  diagnose  cancer  is   diff e re nt fro m  the r ece nt  wor ks   on the  g e net ic  an al ysi s of tissue sam ples [2] .        The   m or ph  m et ric  m e tho ds  use   m e tho ds  tha t  find  the  c orre la ti on s  be twee n  br ai n  sha pe  and  diseas e   sever it y,  by  st at ist ic ally  identify ing   an d  c ha racteri zi ng  str uctu ral  dif fer e nces  am on g  pe op le .  O wing  to  the  i m pr ovem ent  in  res olu ti on  of   a natom ic al  hum an  br ai n  sca ns   a nd  i m age  processi ng  te ch niques,   m any   appr oach es  to  char act e rize  the  diff ere nces  i n  sh a pe  an d  ne uro - a natom ic al   con fig urat io n  of   diff e ren t  br ai ns   hav e  em erg ed  in  the  rece nt  tim es.  The  m or ph   m et ric  analy sis  of   brai n’s   m agn et ic   resonan ce  im ages   (MRI)   hav e  gaine d  popula rity   to  exam ine  the  neu r oa natom ic al  correla te s  of  a  no rm al   br a in  de velo pm e nt  an d  neur ologica l  diso r de rs. Si nce,  MR I  is  the  best  m edical  i m ag ing   te ch no l og y   fo r  diag no si ng   patho l og ic al   brai ns  by  pro vid in g  detai ls  MR   i mages  f ro m   different  m od el it i es.  These  MR   i m ages  can  be   us ed  t o  stu dy   an d  com par e  brai n  tum or s  on  pre op e rati ve  a nd  po st operati ve ,  in  ad diti on  to   be  us e d  to   det erm ine  the  res ect ion   extent [ 3].   The  b rain  s hap e of  d iffer e nt p at ie nts su f fer i ng   from  sch iz op hre nia, au ti sm ,  alz heimer ,   dysle x ia  an d  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Hyb ri d  e nhanc ed ICA  & KSVM base d br ain   tumor im age s egm e nta ti on   ( T hr iv ik ram B athi ni )   479   Turne r' s  syndr om e  has  bee n  stud ie d  by  res earche rs.   Segm entat ion   is  c omm on ly   req ui red   as  a   prel im inary  sta ge  w hile  an al ysi ng   the  m e dical   i m ages  f or   c om pu te r - ai ded   diag nosis  and   t her a py.  H ow e ve r,   the  i ntrin sic   natu re  of  the  i m ages  m akes  m edical   i m age  segm entat ion ,  a  com plex  and   c halle ngin g  ta sk .  T he  preci se   segm entat ion   of  the  brai n  i s  im po rtant  due  to   it s  com plica te d  str uct ur e .  S om e  of   the  pr om inent  i m age   processi ng   te c hn i qu e s  that  ha ve  been   pro pose d  f or   t he  s egm entat ion   of  brai n  MR I   a re  th reshold ,  r e gion - grow i ng  an d  cl us te rin g.   T he  di stribu ti on  of  ti ssu e  inte ns it ie s  in  br ai n  im ag es  seem s  ver y  com plex  that  create   diff ic ulti es  in  t hr es hold  deter m inati on .  T his   m akes  the  th r esh old   m et ho ds  restrict ive   an d  the refo re,  it   has  t o  be  com bin ed w it h  oth e r  m et ho ds . T he regi on   grow i ng tech niq ue , is an  e xte ns io n of  the t hresh old  m et ho d, that   is,  it   is  a  c om bin at ion  of  t hr es ho l d  m et ho d  a nd  c onnecti vity   co nd it io ns   or  re gion  hom og eneit y  crit eria.  Here ,   the  anat om ic al  inf or m at ion   s hould  be   preci se  so   a s  to  su c cessf ully   l ocate  the  sin gle/m ulti ple  seed  pi xels  f or  each  reg i on  a nd  c om bin e  it   with  th ei r  ass oc ia te d  hom og e neity .  A nother   popula r   m et ho d  use d  f or  m edical   i m age  segm entat ion   is  cl ust er ing .   S om e  ty pi cal   cl us te rin g  m et ho ds   i nclu de  f uzzy  c - m e ans   (F CM   cl ust ering  and ex pe ct at io n  m axi m iz ation   (EM)  al gorithm s.   In   t he  pr opose d  al gorithm ,  i m pr oved  K - m eans  al gorithm   is  co m bin ed  wit h  EM  al gorithm ,  to  pro du ce   a  hybri d  strat egy  f or   an  e nh a nce d  cl us te rin g.  T his  al gorithm   aim s   to  us e  the   wel l  distrib uted  cl us te r   that  is  der ive d  from   the  K - m e ans  al ong  with   the  com pactness  of   cl ust ers  that  is  pr ovide d  by  EM.  T he  init ia l   cl us te rs  are  pr ov i ded   by  i m pro ved   K - m ea ns   al gorithm .  These  cl us te r s   pr od uce  cent ers  w hich  are  widely   sp rea d  in the given  data. T he  centers ar e the n  us e d  as init ial v ari able for  E M t o  find  the local  m axi m a  t hro ug h  diff e re nt  it erati on s .  T his  is  f ol lowed   by  m od ific at ion   of  G aussian  m ixture   m od el   an d  e nh a ncem ent  of  ICA   segm entat ion   appr oach.  Ne xt ,  the  tum or s  are  cl assifi ed  as  ben i gn   a nd   m al ign ant  us i ng   Kernel  SVM .  The  discre te   wa vel et   transfor m s  (DWT )  is  us e d  to  e xtract  th e  featur e s  [ 4],  [ 5]   w hich  a r e  furthe r  re duced  to   i m pr ove  the   cl assifi cat ion   ac cur acy   us in g  t he  P rinci pal  Com po ne nt  A na ly sis   (P CA) .  Af te r   the  featu res  a r e   extracte d, S V M cl assifi er is  us e d  to  classi f y t hem .     In   this  pap e r,  the  Gaussi an   rad ia l  basis  functi on  ke rn e l   (G RB   kerne l)  is  us ed  t o  analy se  th e   cl assifi cat io n.   Var i ou s  perfor m ance  m easur es  [6 ] - [ 8]  an d  exp e rt  cl inica l  op i nions  ha ve  been   us e d  to  va li date  the cla ssific at ion  m et ho d / al gorithm .       2.   REVIEW  OF   LIT ERATUR E   Var i ou s   segm entat ion   a ppr oa ches  hav e   bee n  re porte d  in  t he  li te ratur e   an d  ha ve  bee n  st ud ie d  ov e r  a   per i od   of  ti m e.  E m ph asi s h a ve  b een  giv e n  to  the seg m entat i on   of   br ai n  MR  i m ages.  So m e o f  the r ece nt  works  m entioned   i n  the  li te ratur e  hav e  be en  A  p ixel  cl assi ficat ion   ba sed   br ai n  m agn e ti c  reso na nce   i m ages   segm entat ion   ha s  been   prese nt ed  by  A.   In   [9] ,  wh ere  a uto m at ic   seg m entat i on   of   brai n  int o  fou r  cl asses  li kes  backg rou nd,  cereb rospi nal  fluid ,  gr ey   a nd   wh it e  m atter  is  perform ed.   A n  uns up e r vised   and   k no wled ge   based  sk ull  st rip ping   al gorithm   fo r   br ia n  m agn et ic   i m aging   te r m ed  as  S 3  ba ses  on  br ai n  anatom y  and   i m age  intensit y  char a ct erist ic s   was  perform ed  in   [ 10 ] .  In   [11] ,  P. Moesk ops  et . al .  us ed  a da ptiv e  intensit y  thre sh ol d,   after  wh ic h  m orp ho l og ic al   opera ti ons  is  ca rr ie d  to  boos t   rob us tnes s.  A n  a uto m at ic   s egm entat ion   m et hod  wh ic h  is  based  on   the  Co nvol ution   Ne ural   Netw orks   (C N N)   an d  e xp l ores  s m al l   3×3   ke rn el s  is  desc ribed   i n  [12] .  He re  int ensity   norm ali zat ion   is  us e d  with  data  a ugm entat ion ,  as   the  processi ng  ste p  that  prov i des  eff ect ive  resu lt s  for  brai n  t umor  se gm entat ion   in  m agn et ic   resona nce  im a ges.   T he  detect ion   of  hu m an  br ai n  tum or   us in g  m agn et ic   resonan ce  im age  segm entat ion   and   m or ph ologi cal   op e ra tor s  has  bee n  pr es ented  i n  [13] .  Her e   the   tum or   cel ls  w ere  se par at e d  f ro m   norm al   ce ll   us in g  m or ph ologica l  operat or s   com bin e d  with   conve ntion al   i m age  processi ng   te c hn i ques.   Mi cro wa ve  i m aging   was  use d  in  [14]   to  detect   the  brai n  tum or   and   local iz at io n  of   a  dee p  br ai n  RF  so ur ce.  Her e,  Le ve nb e r g - Ma r qu adi  it erati ve   schem e  was  us ed  as   m ic ro wa ve  im agin g  te ch niqu es  to  so l ve  th e  inv er se  scat te rin g  pro blem   for  the  he ad   of   the  phant om   in   403.5MHz  m e dical   rad io  ba nd.  It  was  seen  thr ough  the  si m ulati on   res ults  that  at   le a st  45   dB  SN R   wa s   require d  f or  s m al l  tu m or   detect ion .  Her e ,  a local iz at ion   m et hod  ba sed  on   m ic ro wa ve  im agin g  is  use d  f or  d ee p  br ai n  RF sou rc e. A  sem i - su pe rv ise d  cl us te ri ng tech nique tha t uses th e c on c ept o f  m ulti  o bject ive opti m izati on   for  se gm entat i on   of  m agn et ic   resona nce  brai n  im age  in  intensit y  sp ace   is  p r opos e d  by  A.K.  In   [ 15]   the  intensit y  value s  we re  use d  as  featur e s  a nd   a   m od ern   obj ect i ve  op ti m iz a ti on   te ch nique  w hich  us es  t he  c on ce pt  of   sim ulate d  ann eal in g  is  im plem ented  to  op ti m iz e  the  t hr ee  cl us te r  va li dity   ind ic es.  Its  pe rfor m ance  wa s   com par ed  with   ap proac hes  li ke  FCM ,   E xpe ct at ion   m axi m iz at ion ,  fu z zy - VGAP S  cl ust erin g  te ch nique s.  An  e m pirical   wavel et   transfor m   (E WT)   m et ho d  to  e xtract  the   featur e s  of   brai n  S PECT  im age  an d  assist   in   br ai n  tum or   detect ion   wa s  pr op os e d  in  [16] .  T he   i m age  is  decom po sed  int o  a   nu m ber   of   s ub - ba nd   im ages  us i ng   E W T,   w hile  s egm entat ion   is  done   usi ng  t he  fu zzy   C -   m eans  cl us te ri ng,  to   achie ve   bette r  acc ura cy .  The   Suppor t   vec t or  m achine  cl assifi er  wa s  us ed .   A  sp at ia l  f uzz y  C - m eans  (SPFC M)  al gorithm   was  prese nt ed  in   [17]   for  segm e nt at ion   of  m agn et ic   resonan c e  i m ages.  Her e ,  the  sp at ia l  info rm at ion   from   the  neig hborh ood  of  each  pi xel  is  e m plo ye d  an d  reali zed  by  de fining  a  probabil it y  fu nctio n.   T he  SP FC M  al go rithm   helped   t o  so lve  the  prob l e m   relat ed  to  s ensiti vity   to  noise   and   intensit y   in  ho m og ene it y  in  m agn et ic   resonan ce  im a ging   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 4 , N o.   1 ,  A pr il   201 9   :   478   –   489   480   data  an d  hen c e  i m pr ove  the   segm entat ion   resu lt s.  T he  auth or s  pro ve d  that  the  SP FCM   had   a  bette r   perform ance  than  so m e  of   t he  FCM   based  al gorithm s.  A  cl assifi cat ion   m et ho d  t o  cl as sify  br ai n  m agn et ic   resona nce  im a ges  as  norm al  and  ab norm al   us in g  wa vel et s  te xtu re  fea tures  a nd  k - m eans  cl assifi er   was   pro po se d   in  [ 18 ] .  Her e,  t he   Eucli dean   dis ta nces  we re  m easur e d  betwe en  featu re  vec tor  of  te st  m a gn et ic   resona nce  i m age  an d  k - m ea ns   cl assifi er  w as  fed   with  refe ren ce  m agn e ti c  reso na nce  i m ages.  A  f our   ph ase   hybri d  ap proa ch  was  pr ese nt ed  in  [19]   w hi ch  can  be  us e d  f or   br ai n  t um or   detect ion   and   cl assifi cat i on   in   m agn et ic   reson ance  i m ages.  The  first  phase   includes ,  i m a ge  pre - processi ng   th rou gh  no i se  filt ering   an d  sk ull   detect ion .  I n  th e  seco nd  phase ,  the  featur e s  a re  ext racted  usi ng   gr ay   le vel  co - occ urren ce  m at rix.   N or m al   an d  abno rm al   c la ssific at ion   of   i nputs  us in g  l east   sq ua re  s upport  vecto r   m achine  cl as sifie r  with  m ulti la yer   per ce ptio n  ke r nel  is  dealt   in  the  thir d  phase .   The  f o ur th  ph ase  was  se gm e ntati on   of   tum or,  f or   wh ic h  a uthors  us e d  fa st  bo unding  box.  T his   i m ple m entat ion   was  fou nd  to   be  96. 3%  acc ur at e.   T he  perf or m ance  analy sis  of  diff e re nt  m et ho ds   of   tum or   de te ct ion   was  de scribe d  in  [ 20] .  A  com par at i ve  stud y  bet we en  dif fer e n t  m et hods  for  tum or   dete ct ion   was  desc ribe d  by  the  a uthors  w hile  em ph asi zi ng   on   the  ro le   of  se gm entat ion   in  m edical  i m aging .  T hey   sh owe d  that  segm entat ion   works  ef fici en tl y  in  detect ing   an d  e xtracti ng   t he  tum or   from   m agn et ic  r es on ance im aging .         3.   PROP OSE D  APP ROAC H   Ther e  a re  m an y  i m po rtant  ap plica ti on s  of  bl ind   source  se par at io n  thr ou gh   in de pende nt   co m po ne nt   analy sis  in  m any  areas   li ke   signa l  proc essing  an d  m edical   sig nal  processi ng.  M any  com pu te r   ai ded  al gorithm s  ha ve  bee n  pr opose d  ove r  the  ye ars,   that   can  be  im ple m e nted  to  a naly ze  m agn et ic   reso na nc e   i m ages,  li ke   Ei gen im age an al ysi s,  pr i ncipal  com po ne nt an a ly sis   (P CA)  and fuzzy  C m et ho d et c. Eig en  i m age   analy sis  is  better   wh e n  it   com es  to  of fe rin g  a n  eff ect ive  se gm entat ion   and   featur e  e xtracti on.  H ow e v er ,  wh e n  it   com es  to  sat isfact or y  se gme ntati on  of  br a in  ti ssu es ,  the   neural  netw ork   base d  m et ho ds  pro ve  t o  perf or m   bette r.   The se  m et ho ds   pr ov i de  bette r  pe rfor m ance  wh e n  com par ed  to  the  cl assic al   m axi m u m   li kelihood  m et ho ds.  T here  has   bee n  a   ri se  in  t he  m ult i - sp ect ral  im ag es,  du e   to  w hich  m any  segm entat ion  an d  a naly si s   proce dures  ha ving  their  ba se  on  ort ho gonal  pro j ect io n,   Kalm an  filt er,  et c  ha ve   been  sub j ect ed  to  enh a ncem ent  ov e r  the  ye ar s.  These  proc edures  howe ve r,   posse ss  a   dr a wb ac k,   t ha t  they   req ui r e  pr io r  knowle dge.  T her e fore,   the  i nd e pe nd e nt  c om po nen t  a nal ysi s  (I C A)   se gm entat ion   m et hod  pro vid e s  bette r  perform ance in  the se gm entat i on of  br ai n  ti ss ues.    ICA  ca n  be  use d  to  i de ntify  li near   non - ort hogo nal  co ordin at e  syst e m s.  The  data’s  sec ond  an d  highe r   orde r   sta ti sti cs  determ ine  the   directi on   of  a xis  c orres pond ing   t o  t he  c oo rd i nate  syst em s.  T he  tr ans f orm ed   var ia bles  that  are  f ound  by  the  li near  tran sform at ion   of  data  by  ICA   are  s uch  that  they   are  sta ti s ti cal l y  ind e pende nt  from   each  oth er   as  far   as  poss ible.    This  m e ans  that  the  I CA,  just  li ke  pr i ncipal  com pone nts  analy sis   (P CA )  te chn i qu e ,  is  us ef ul  in  fin di ng   the  data  struct ur e.  T he  I CA,  ho wev e r,  has  a  dr a w ba ck  of   assum ing   the  s ources  to  be  in dep e ndent. D ue   to  this  the  c oncept  of   m ixtur e  m od el s  have  been   i ntr o du ced  s o  that  the  data  obser ve d  ca n  be   char a ct erized  into  diff e re nt  m utu al l y  exclu sive  cl asses.   O ne  of   t he  im per at ive   ste p  in  IC A  is  choosi ng   a  pro per   sea rch  sp ace.  Hen ce ,  the  ge ner al i zat ion   co ns i de rati on s  a re  ge ner al ly   pr ece de d  by  di m ension al it y  red uctio n   pr oce dures  in  IC A.   This  i m pr oves   the  gen er al iz at ion   pe rfor m ance  of   ICA  al on g  wit h  a  re du ct io n  i n  the  c om pu ta ti on al   com plexity .  Exp ect at io n  m axi m iz at io n  al gorithm   (EM)  is  us e d  to   est im a t e  the  pro bab il i ty   den sit ie s  th r ough  e xpect at ion  m axi m iz a tio n  cl us te rin g.   The  EM  al gori thm   is   base d  on   the  s earch  of  m axi m u m   chan ces  of   pa ram et er  e stim at es   wh ic h  can  be  m ade  wh e n  the  data  m od el   is   dep e ndent  on  certai n  la te nt  var ia bles.  I n  t he  al gorithm   pr ese nted   in  t his  pa pe r,   the   init ia l  cl us te rs  are  identifie d  us in g  K -   m ean s  al gorithm   after  wh ic h  ex pectat ion   (E )  an d  m axim iz at ion   (M)  ste ps   are  pe rfor m ed   al te rn at ively   to  converge  int o  a  resu lt   thr ough  it erati on.  Th e  la te nt  var ia bl es  are  us e d  in  t he  sam e  way  a s  they   wer e  obser ve d  to  com pu te   th e  exp ect at io n  of   c ha nces  (E ).  The  r es ults  of   the  la st  E  ste p  are  us e d  to  c om pu t e   the m axi m u m   pro bab il it y i n  the m axi m iz ati on ( M)  step .     Ma them a ti call y for a  giv e n  t r ai nin g datase t     ( 1 ) , ( 2 ) . . . . . . . ( ) x x x m               (1)     And  m od el     ( , ) p x z                   (2)     Wh e re z  is the   la te nt v aria ble,  w e  ha ve:     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Hyb ri d  e nhanc ed ICA  & KSVM base d br ain   tumor im age s egm e nta ti on   ( T hr iv ik ram B athi ni )   481   1 l o g ( ; ) m l p x                  (3)   1 l o g ( ; ; )  m z p x z               (4)     Wh e re,  x, y,z  and     re pr ese nt   the  log   li ke li ho od.   Since   z  is  an  unknow n  la te nt  var ia ble,   appr ox im at ion s  ha ve  bee n  us e d,   wh ic h  are  f or m ed  in  E  a nd   M  ste ps   de scrib e d  ab ove.  It  can  be   m at he m at ic a lly wr it te n  as:   E  Step, f or  eac h  i :       ( ) ( ) ( ) /; i i i i Q z p z x               (5)     M Ste p, f or all  z:     ( ) ( ) () () l o g .; : a r g m a x ( )  ii i i i iz i p x z t Q z Qz         (6)     Wh e re  i Q   the  pos te rior   distri bu ti on of is  () i z   ‘s  g i ve n  the   () i x   s .     Con ce ptu al ly   to  inc orp or at e  t he  s patia l  inf orm ation   int o  G MM ,  as  a  ty pi cal   var ia ti on  of  GMM  is   pro po se d  by  usi ng   t he  MR F   m od el   as  a  pr ior.   Dif fer e nt  f ro m   GMM,  ea ch  pix el   i  i n  MOD IF I ED G MM   is   char act e rized  by   it s p r ob a bili ty  v ect or   12 , , . . . . . . . , c i i i i   w her e   k i denotes the  pro bab il it y o f  the  i th   pix el   belo ng i ng to  t he  k th  cluster .   In m od ifie d G MM , th e c orre sp on ding m ixtur e  m od el  o f   xi   is assum ed  as     1 / , / c k i i i k k p x p x               (7)     wh e re   / p x i k is a   Gau s sia n dist ri bu ti on  with  pa r a m et ers  ,  k u k k .      To  ta ke  the  spa ti al   dep en de nc e  into  acc ount ,  the  pr io r  dis tribu ti on  of  π  is  giv e n  by  the   MR F  m od el   thr ough a  Gibb s   de ns it y f un ct i on       1 e x p /  i N N i p V Z             (8)     wh e re Z  is a  norm al iz ing  con sta nt and β  is re gu la rizat ion   pa ram et er.    The  cl iq ue   pot entia l  functi on   of  t he  pix el   l abel  vecto rs  π m   is  giv en  by   V Ni   (π )  w hich  li es  within   the   neig hborh ood  Ni of t he  it h   pi xel        i i Z N i m m c N V             (9)     No ti ce  that  t he   1 , 2 , . . . . . k in  GMM  is  s har e d  by  al l  pi xels,  wh e reas  in  MO DIFIE D GMM  i is  dif fer e nt  f or  each  pix el   i  a nd  dep e nds  on  it s  nei ghborin g  pix el s.   I n  M O DI F IE DG MM ,   th e  m od ifie d  EM   al gorithm  is u ti li zed to   ob ta i n t he  m axi m u m   a posterio ri ( M AP )  esti m a ti on  of the  p a ram eter s.   Subseque ntly  the  ICA  is  do ne  at the  fo ll owin g  le vels   1.   En han cem ent  of   e nergy  crit e ria:   Eigen  valu es  are  use d  t o  determ ine  the  eff ect ive ness  of  the  f eat ur e s.   These   ei ge n  va lues  a re  in dic at ive  of  t he  ori gin al   data;   the   ei ge n  value   s pectr um   on   t he   ot her  ha nd  ind ic at es  the  e nergy  of   t he  or iginal  data.  T he   inform at ion   t hat  represe nts  the  or i gin al   da ta   need s  to   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 4 , N o.   1 ,  A pr il   201 9   :   478   –   489   482   be  prese ver e d  t o  the  m axi m um  extent  w hile  trans fo rm ing   f ro m   a  hig h  di m ension al   s pa ce  to  a  lo wer   dim ension al  spac e.    2.   Im pr ov em ent  of   m agn it ude  c rite ria:   In   orde r  to  im ple m ent   the  ICA  i n  this  reg a rd,  it   sho uld   be  do ne  in  a  re duced   P CA  s pace  s o  t hat  the  sm al l  valued   t rail ing   ei gen   value s  a re  not  incl ud e d.   T h e refor e ,   these  crit eria  favo ur s  lo w  dim ension   s pac es  wh e reas  th e  s m al l  valued   trai li ng   ei ge n  val ues  are   exclu ded.     An   im pr ove d  perform ance  is  achieve d  in  the  pro posed  work   by  usi ng   dim ension al it y  red uc ti on  proce dures  t ha t  aim   at   balancing   t he  e nerg y  and   m agn it ude  crit eri on.  I CA,  a n  e xtensi on  to  t he  co - va riance   base d  PC A  is  us e d  to   so l ve  BSS  pr ob le m s  li ke  coc ktail   pa rty   pro blem .  The  obser ve d  sign al s  a re  m ade  up  of   li near  c om bin at ion   of origin al  sig nals and a   m at rix  m ixtur e .    It can  b e  r e pr es ented  a s       X A S                   (10)     W=A - 1  in vers e is com pu te d t o ob ta in  m ixing  m at rix  A. Th e IC is  obta ine d  as:       , ˆ WX S                   (11)       ˆ S S                   (12)     The  s uspic iou s   reg i on s  nee d  t o  be  segm ented  f ro m   an  IC.  Assum ing   ti j   to  be  t he  (i,   j)   ‘t h   el em ent  of  a  co - occ urre nc e  m at rix  W   t ha t  co ns ide rs  t he  gr ay   le vel  tra nsi ti on s  betwee n  t wo  ad j ace nt   pi xels.  T he   eq uation  is wr it te n  a s:       11 ( , )   MN ij ik t l k               (13)     Wh e re     1 , 1 ( 1 1 , ) , ( , ) , ( , 1 ) / ( 1 , ) , ( 1 1 , ) 0 , { d i f k i I I l k i I I K a n d o r I k I k j   Othe rw ise                   (14)      The pr obabili ty  o f  a tra ns it io n of t his  gr ay  l evel f ro m  i to  j can  be de fine d as       11 00    ij ij LL ij ij t P t                 (15)     Her e ,  t‘re pr ese nts  the  thre sho ld  that  par ti ti ons  the  c o - occurre n ce  m at rix  t hat  is  def ine d  by   (13).  Th e   co - occ urren ce  m at rixes  are  f irst  gro up e d  i nto   4  qua dr a nt s  nam ely  A,   B,  C  and   D,   after  w hich  t he y  are   gro up e d  i nto   f or e gro und  a nd   bac kgr ound  obj ect s .  T he  on es  ha ving  pix e ls  with  i ntensit y  le vel  great er   than   thres ho l d  f al l  into  t he  f oreg round  obj e ct   cat e gory  w hile  th ose   with  pix el   i ntensity   le ss  th an  th res ho l d  fa ll   into   the  backgro und  cat e gory.  T he   tran sit ion s   within   bac kgr ound  a nd  f ore gro und  a re  re pr ese nted   by  A  a nd  C  qu a drants  w hile  the  transiti ons  acro ss  bo unda ries  betwee n  f or e gro und  an d  back   gr ounds  a re  represe nted  by  B   and D q ua dr a nt s.  The  foll owing eq uatio ns   re pr ese nt the  pr obabili ti es asso c ia te d  with  each  of these  qua drants .         00   tt t A i j ij PP     1 01  tL t B i j i j t PP     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Hyb ri d  e nhanc ed ICA  & KSVM base d br ain   tumor im age s egm e nta ti on   ( T hr iv ik ram B athi ni )   483   1 10  Lt t C i j i t j PP     11 11   LL t D i j i t j t PP           (16)     The  cel l  pro ba bili ti es can  be   us e d  to  obtai n  t he pr obabili ti es in eac h q uadr ant:     / ij t i j A t A P P p   / ij t i j B t B P P P   //  i j i j tt i j C i j D tt CD pp PP pp         (17)     In  the  pro pose d  wor k,   a   loca l  entr op y  base d  th res ho l d  ha s  bee n  em plo ye d  to   se gm ent   the  tum or .   Since  the  local   transiti on s  f rom   back gro und  to  backgro und  (BB)  an d  obj e ct s  to  ob j ect s  ( FF)   are  re pres ented   by qua dr a nts  A  and C  res pecti vely , th e m at hem at ic al  d ef init ion o f  l ocal ent r op ie s  can  b e  writ te n  as:         // 00 ( ) . l o g    tt tt B B i j A i j A ij H t P P             (18)       11 // 11 ( ) . l o g    LL tt F F i j C i j C i t j t H t P P             (19)     The  sec ond - or der   l ocal  entr opy  can  be  ob t ai ned   by  su m m ing   up  the  l ocal  withi n - cl a ss  transiti on   entr op ie s  of th e f or e gro und  a nd the   bac kgr ound a nd ca n be  w ritt en  as       ( ) ( ) ( )  L E B B F F H t H t H t               (20)     Ma xim iz ing  th e ab ov e  equati on r es ults in  a t hr es hold  base d o n  local  e ntr opy,  us in g w hich  the  tum or   can  be  se gm ented       m a x a r g ( ) t L E L E t H t               (21)     3.1.   Me thod   The  pro pose d  appr oach   is  to  be  co ded   us in g  Ma tl ab. The  ste ps   invol ved   i n  the  process  c an  be  li ste d  as b el ow.   a.   Popu la ti ng  t he   re qu i red  im ag es  f or  a naly sis  from   database s  li ke  B rain  T um or   Disease   database   an d  i m ages s ource d from  o ther  s uper  sp eci al ty  hosp it al s.    b.   Perfo rm ing   pr e processi ng   ope rati on s   li ke  no i se  rem ov al ,  e dge  detect ion   a nd  th res ho l ding  to  rem ov e  the b ac k g rou nd a nd o t her cl inica ll y i rr el eva nt thin gs i n  t he  context  of the  pro po se d  a naly sis    c.   Desig ning a n En han ce d ICA  Mi xtu re  Mo de l (EI C AMM)  f or aut om atic segm entat ion  of  br ai n.     d.   Desig ning  a  C la ssifie r  base d  on   Sup port  Vecto r  Ma chi ne  ( SV M)   f or  cl assify ing   a nd   co rr el at in g  diff e re nt n e uro log ic al  d is orde rs.     e.   Desig ning  a  Gr a phic al   Use r  I nterf ace  ( G UI)  us i ng   Ma tl ab  for  loa din g  t he  re quire d  im age  fo r   analy sis, pr oce ssing t he res ults an d pr e sentin g  the  inter pret at ion .    f.   Vali dating t he   resu lt s  by c ompari ng w it h st and a r d data set s  and e xp e rt cli nical  opini on    g.   Perfo rm ing   Re cei ver   O per at i ng  Cha racteri s ti c  (ROC)  a na ly sis  to  valida te   the  pe r form ance  of  the   cl assifi er.        4.   RESU LT S  &  DISCU SSI ONS   The  f ollow i ng   sect ion   su m m a rizes  the  resu lt s  of   the  pro pos ed  segm entat ion   ap proac h.   Th e  pr op os e d  was  co de d  in   Ma tl ab  R  20 12   a  a nd   the  validit y  of   the   segm entat ion   is  de m on strat ed  with  the  he lp  of  evaluati on  pa r a m et ers.   The  gro und  tr uth   im ages  f or   va li da ti on   we re  obta ined  th r ough  m anu al   se gm ent at ion .  The  f ollow i ng  i m ages  l ist e d  in  Figu re  1   ha ve  bee n  co nsi der e d  for  te sti ng   an d  valida ti on .  T o  hav e  a  true   represe ntati on   the im ages ar e  of d if fer e nt siz es an d  i ntensit y values .   The  histo gr am   prof il e o f   the  i m ages  ser ves  t o  giv e  a   tre nd  in d ist rib utio n  of  inte ns it y  valu es  an d  hel p  in  the  init ia l  sta ges  of   the  c hoos i ng  the  th r esh old .  T he  histogram   of   th e   i m ages  is  il lustrate d  in  t he  F igure  2. T he  bel ow   s how n  are  the  histo gr am   pr ofi le s,  cl early   il l us trat es  that  th e  te st  i m age  hav e  dif fer e nt  intensit y  prof il e  an d  va r ia nt  pix el   distri bu ti on.  T his  pi xel   distrib utio n  is  al so   influ en ced  the  ty pe  an d  the  locat io n  of   the  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 4 , N o.   1 ,  A pr il   201 9   :   478   –   489   484   tum or   too .  Sim il arly  the  size  of   the  tum or   al so   play s  a  cru ci al   ro le   in   def inin g  the  intensit y  prof il e.  The   intensit y  pr ofi le   of   a  par ti cual r  reg i on   ca n  al so   giv e  a n  incli nation  to ward s  per c e ntage  of  scat te red   el em ents.   Ed ge dete ct ion refe rs  t o  the  pr ogressi on of id entify  and l oca te  sh ar p disc onti nu it ie s in  a n  i m age.    Ed ge  is  a  basic  and   im po rtant f eat ur e o f  a n  im age.  Im age  is   a  com bin at ion   of   ed ges .  Dete ct ing   ed ge s   is on e of the  m ai nly si gn i ficant featur e s in  im age seg m ent at ion . E dg e de te ct ion  is a v it al  ste p  as it  is a  p ro ce s s   of   ide ntifyi ng   and   locat es  s ha rp   dis - c on ti nui ti es  in  a  rep res entat ion .  T he  e dg e s  of   the  te st   i m ages  as  ide ntifie d  us in g  Pr e witt   edg e  d et ect or   i s  il lustrate d  throu gh   F i gure  3.  The  com plex it y  of   m edical   i m age  segm ent at ion  can  be  cl early   unde rstood  fro m   the  abo ve  i m ages.  Eve n  thou gh   we  are  us in g  a  sim il ar   edg e  de te ct or   we  can   see  an  a ppreci able  di ff e ren ce   in  perform ance  betwee n  dif f eren t  im ages.  I t  can  be  cl earl y  ob se r ved  tha t  the  edg e s  are   neatl y  dem arcate d  in  im age  (b)  w her e  as  in   im a ge  (c )  t he  e dg e s  ap pear e d  t o  m erg e  a nd   i n  t he  case  of   im age  (a)   it  app ear s  to  be  cl uttered  an d  di storted.   It  can   be  ob se rv e d  f ro m   the  intensit y  pr of il e  an d  edg e s   that  te st  im age s  prese nt  a  ve r y  com plica te d  ta sk   for  se gm e ntati on .   T he  re su lt s  of   t he  se gm entat ion   of  these   te st im ages u si ng the  pro pose d  a ppr oach are  dep ic te d u sin g t he  F ig ure  4.                   Figure   1. Im age ( a) , im age ( b) a nd i m age ( c)  conside red f or evaluati on           (a)   0 50 100 150 200 250 300 0 5 10 15 x   1 0 4 S l i c e   h i s t o g r a m Fr e q u e n c y I n t e n s i t y Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Hyb ri d  e nhanc ed ICA  & KSVM base d br ain   tumor im age s egm e nta ti on   ( T hr iv ik ram B athi ni )   485     (b)     (c)       Fi gure  2.   Histo gr am s   of i m ag e (a) Im age (b)   i m age ( c)                     Figure  3 .   The  e dg e s ide ntifie d f or  test  im ages u si ng prewitt   op e rato r   of   im age  (a)  im age (b) im age ( c)       0 50 100 150 200 250 300 0 0 . 5 1 1 . 5 2 2 . 5 3 3 . 5 x   1 0 4 S l i c e   h i s t o g r a m Fr e q u e n c y I n t e n s i t y Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   1 4 , N o.   1 ,  A pr il   201 9   :   478   –   489   486               Figure  4 .   Tum or in im age ( a) , im age ( b), a nd im age ( c)  are  seg m ented using t he p rop os e d  a ppr oach       Thro ugh  F i gur e  4,   it   can  be  cl early   ob se rved  th rou gh   vis ual  ins pecti on  that  the  pro pos ed  ap proac h  ha s  delivere d  a  nea t  and   cl ean  se gm entat ion .  The   per f orm ance  i s  cl e arly   visible  in  i m age  (a)   and   im age  (c) ,  wh il e   in  i m age  (b)  we  can  obser ve   so m e  of   the   backgro und  e lem ents  hav e  al so   bee n  incl ud e d.   T o  il lust rate  the   eff ect ive ness  of  the  se gm entat ion   a  sam ple  il lustrati on   of   i ntensity   pro fili ng   of  the  se gm ented  t um or   i m ag e  (b)  is  giv e n  in   the  Fig ur e   5 .   It  ca n  be  cl ea rly   obser ve d  f ro m   the  fi gure   there   is  a   nea t  distrib utio n  of  the   segm entat ion   ind ic at in g  cl ear   pr ofi li ng.  Th e  validit y  of   t he  segm entat i on   is  evaluate d  thr ough  eval uation  par am et ers  dis cusse d  in   sect i on  4,  t hes e  a re   com pu te d  by  com par ing  the   segm ented  im age  with  t he  gro und  truth o btaine d usin g  m anu al  s egm entat ion . T he results  of e va luati on   are li s te d  usi ng the  T able 1 .           Fig ure  5 .   I nten sit y p rofil e d ist rib ution o f  se gm ented  im age ( b)        Table  1.   E val ua ti on   par am et e rs  f or the  pr opos e d  se gm entation  a ppr oac h   I m a g e   PRI   VO I   G CE   J ID   JD   PSNR   I m a g e ( a )   0 .99   0 .04 1   0 .00 4   0 .83   0 .16   6 2 .15   I m a g e ( b )   0 .96   0 .23 1   0 .01 2   0 .87   0 .12   4 5 .58   I m a g e ( c )   0 .99   0 .04 1   0 .00 4   0 .91   0 .05   6 0 .15       Fr om   the  T abl e  1,   it   can  be  i nf e rr e d  that  the   pro po se d  m eth od  has  deliver ed  in  te rm s  of   al l  the  evaluati on   par am et ers  .I t  is  al so   interest ing   to  obse rv e   that  the  i m age  (a)   w hich  pr oduce d  cl utter ed  has  in  fact   been  segm ented  bett er th a n  t he oth er tw o  im ages as  evi den t   fro m   the ev al uation pa ram et ers .   0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 P i x e l   p o s i t i o n I n t e n s i t y   p r o f i l e I n t e n s i t y Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Hyb ri d  e nhanc ed ICA  & KSVM base d br ain   tumor im age s egm e nta ti on   ( T hr iv ik ram B athi ni )   487       Figure  6 .   O ver l ap  im ages o f  s egm ented  im ag es w it h g rou nd tru t h  im ages       The  overla p  i m ages  of  gro und  truth   im ages  a nd   the  se gm ented  i m ages  il lustrate d  us in g  Fi gure  6  al so  cl early  p oi nts t o near  p e rf ect  s egm entat ion  ac hieve d wit h  t he  h el p o f  t he  propose d  a ppr oa ch.   In   the  pr es ente d  w ork,   a  cl ass ifie r  base d  on  Kernal  base d  s upport  vect or   m achine  (KSV M)  has  bee n  i m ple m ented.   Her e ,  after  a  tu m or   is  seg m ented,   analy sis  is  done  us in g  thi rteen  di ff e ren t  par am et ers  extracte d  us in g  D WTs.   Fo r   this,   a  DB5   wa velet   is  use d.   A fter  th e  extracti on  of   t hese  par am et ers,   a  PC A  a nal ysi s  is  e m plo ye d  that   reduce d  the  dim ension al it y  of   t he  par am et ers  f or   t he  extracte d  data   set .  A fter  th e  PC A   analy sis,  a  Gau ssian  rad ia l   basis  (G RB )   ker ne l  is  e m plo ye d  for  ke rn el   base d  supp ort   vector   m achine   cl assifi cat ion .   Ther e   are  m ore  than   12 0  ty pe s  of  brai n  tu m or s  wh ic h  diff e r  in  ori gin,  l ocati on,  siz e,  c har act erist ic s  of   the  tum or   ti ssu es,  as  def i ne d  by  the  Wo r ld  Healt h  O rganizat ion   ( WH O)   cl assifi cat ion   syst em   [ 21 ] - [ 2 3 ].   Ou t  of  these,   we  hav e  c onsi der e d  th ree  ty pes  of   m al ign a nt  tum or s.  T he   first  on e  is  G li ob la stom a:   pr im a r y  m al ign ant  br ai n  tum or s  cl assifi ed  as  Gr a de   IV   an d  de vel op e d  f ro m   sta r - sh a pe d  cel ls,  cal le d  ast ro cy te s  that  su pp or t  ne rv e   cel ls,  w hich  usual ly   sta rts  f rom   cerebr um .  S arco m a  tum or   has  a   gra de  tha t  var ie s   f ro m   1  to  IV.   This  tum or   ari ses  in  the   co nnect ive  ti ssu e s   li ke  bloo d  ve ssels.  T he  ne xt   on e  is  Me ta sta ti c  br onc hogen ic   carcin om a,  a  s econda ry  m a lig na nt  brai n  t um or   that  sp rea ds   to  t he  brai n  from   br onch ogenic  ca rcin om a  lu ng  tum or .   66  hum an  brai n  MR Is  al on g  with  22  norm al   and  44  a bnor m al   i m ages  m ake  up  the  data  set .  The se  include  glio blastom a,  sarco m a  and   m e ta s ta ti c  br on c hoge nic  carcin oma   tu m or s  coll ect ed  from   Har va r d  Me dical   School  we bs it e  ( ht tp: //m ed .  harv ard.ed u/AA NL IB/).  T he  brai n  MR Is  we re   in  axial   plan e,  T2 - weig hted  a nd  256 _  25 6 pixels .   Fig ure  7   s hows  a  sam ple o f  the  data set .                    (a)  Met ast ic  br on c hoge nic  carcin om a   (b)  Sa rc om a   (c)   Glio blasto m a         Figure  7 .  Sam ple o f  d at a set       Tw o  data set s  wer e  f or m ed  to  v al idate  the  propose d  cl assifi er.  T hese t wo   data set s inclu ded a total   of   40   im ages  ( 20   i m ages  each)  a nd   we re  hete rogen e ous  with  both  norm al   and   abno rm al   i m a ges.   T he  te rm ’  Tr ue   po sit ive ’  is  us e d  to  cat e gorize   correct   cl assif ic a ti on   of  a bnorm ality   wh il e  ‘tru e  neg at i ve’   i s  us e d  to   cat eg or iz e   correct   cl assifi cat ion   of  nor m al   i m age.  Sim il arly  an  incorrect   cl assifi cat ion   of  ab nor m al i ty   is   cl ass ifie d  as   ‘F al se  ne gativ e’  an d  inc orre ct   cl assifi cat ion   of  norm al ity   is  cat ego rize d  as   ‘F al s e  posit ive’.   The  T able  2   sh ows  the  pe rfor m ance of the  prop os ed  class ifie r.           Evaluation Warning : The document was created with Spire.PDF for Python.