DATE OF ACCEPTANCE: APRIL 18, 2014 ISSN: 2348-4098

DATE OF PUBLICATION: APRIL 29, 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014

DETECTION AND CLASSIFICATION OF BRAIN TUMORS IN MRI IMAGES 
 
1
ABHIJEET ZAMRE, 2TANVEER SHAH, 3HITESH THADHANI, 4DHANANJAY BANGAR 
 
1,2,3,4 
ELECTRICAL ENGINEERING DEPARTMENT, VJTI, MAHARASHTRA, INDIA  
 
ABSTRACT 
 
In this paper, detection of brain tumor is done using MRI images. Brain tumor is an abnormal 
intracranial  growth  caused  by  cells  reproducing  themselves  in  an  uncontrolled  manner. 
Curing  cancer  has  been  a  major  goal  of  medical  researchers  for  decades.  The  early 
detection  of  cancer  can  be  helpful  in  curing  the  disease  completely.  In  this  paper  we 
propose an ANN base approach to identify brain tumor from MRI images. The algorithm 
incorporates steps for pre‐processing, image segmentation, feature extraction and image 
classification  using  neural  network  techniques.  A  classification  is  done  into  two  class’s  i.e 
brain into healthy brain or a brain having a tumor .Evaluation was performed on image data 
base of 25 Brain Tumor images. The proposed method gives fast and better recognition 
rate, finally the tumor area is specified by region of interest technique as confirmation step. A 
user friendly MATLAB GUI program has been constructed to test the proposed algorithm. 
 
Index Terms: brain tumor; image segmentation; feature extraction; neural networks        
 
1. INTRODUCTION  five  years,  making  it  the  most  fatal 

In  the  last  decades,  we  have  been  cancer  among  children.  It’s  associated 

observed  a  dynamic  growth  in  the  with neurological disabilities, retardation 

number  of research  works  conducted  in  and  psychological  problems  and 

the  region  of  cancer  diagnosis.  Many  increased  risk  of  death.  Magnetic 

university centers [1] are focused on the  resonance imaging (MRI) is considered now 

issue  because  of  the  fact  that  cerebral  as an important tool for surgeons. A brain 

cancer  is  spreading  among  the  world  tumor  is  any  intracranial  mass  created  by 

population.  For  example  in  the  US,  abnormal  and  uncontrolled  cell  division. 

nearly 3000 children are diagnosed with  Magnetic  resonance  imaging  (MRI)  or 

brain tumors. Almost half will die within  magnetic  resonance  tomography  (MRT) 

 
INTERNATIONAL JOURNAL OF SCIENCE, ENGINEERING AND TECHNOLOGY- www.ijset.in 46

ijset.  or  consisting  of  brain  tumor  and  it is the product of two one dimensional  classification  is  done  using  radial  basis  Gaussians. In section 4. or  is  accessible  for  surgery. 2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29.DATE OF ACCEPTANCE: APRIL 18.www.  widely  used  in  hospitals  for  medical    diagnosis. neural  Image  Filtering:  In  Image  filtering  network  classifiers  are  employed  to  Gaussian  Filter  is  used  and  laplacian  of  classify weather the MRI image is normal  gaussian is obtained. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 is  a  medical  imaging  technique  used  in  1. filtering.2 IMAGE ENHANCEMENT TECHNIQUES  follow‐up  without  exposure  to  ionizing  It  refers  to  accentuation. If the location of a brain tumor  of image features such as boundaries. noise  remove  noise.1 IMAGE ACQUISITION  radiology  to  investigate  the  anatomy  The  MRI  images  of  brain  tumor  are  and  function  of  the  body  in  both  health  collected  from  internet.  radiation.  The  paper  is  does  not  increase  the  inherent  organized as follows.  staging  of  disease  and  for  1. This process  possible  of  the  tumor. Image enhancement  segmentation  techniques  are  applied. one per direction:  function  based  Linear  Regression    Algorithm. In two dimensions. image  information  content  in  data.  It  includes  enhancement  techniques  are  applied  to  gray level & contrast manipulation.  or  sharpening.  Feature  extraction  methods  used  is    explained in section 3.  The  images  are  converted  to  gray  images  of  the  body.  MRI  scanners  use  strong  converted  into  standard  size  of  200  x  magnetic fields and radio waves to form  200.  is done by following methods.in 47 . and σ is the  standard  deviation  of  the  Gaussian  distribution.    where x is the distance from the origin in  the horizontal axis.  The  images  are  and  disease.  Image  reduction.  In  Section  2.  The  Laplacian  L(x. y is the distance from  the origin in the vertical axis. ENGINEERING AND TECHNOLOGY.  The  technique  is  scale images for further processing.y)  of  an    INTERNATIONAL   JOURNAL OF SCIENCE. In Section 1.  the  contrast to make a graphic display more  neurosurgeon  may  remove  as  much  as  useful for display & analysis.

ENGINEERING AND TECHNOLOGY.  change  occurs.  image  such  that  pixels  with  the  same  the  LoG  will  give  zero.When  the  image  is  uniform. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 image with pixel intensity values I(x. IMAGE SEGMENTATION  Laplacian.  using  a  Gaussian  filter)  before  applying  the  2.  used  to  find  areas  of  rapid  change  Thus  we get a black and white image in  (edges) in images.g.y) is  obtained  and  then  these  edges  are  given by:  added  to  original  image  itself  so  resultant image is good in contrast.ijset. intensity.  entire  image.  or  a  set  of  contours  At  a  sharp  edge  between  two  regions.  This sharpen image is now eroded using    morphological  filter.  or  "unsharp". DATE OF ACCEPTANCE: APRIL 18.  negative just to the other side  such as color.  Sharp  changes  in  image  first  image  is  blurred  and  subtracted  properties usually reflect important events  from  original  image  so  edges  can  be  INTERNATIONAL   JOURNAL OF SCIENCE. or texture.  This  image  is  very    smooth.  The  Canny  Edge  detection    technique  is  used.6.  changes  sharply. it is common    to  smooth  the  image  (e.  We  convert  this  image  into  Laplacian  filters  are  derivative  filters  binary  image  with  a  threshold  of  0.  The  goal  of  edge  Unsharp Masking: The "unsharp"  of the  detection is to mark the points in a digital  name  derives  from  the  fact  that  the  image  at  which  the  luminous  intensity  technique  uses  a  blurred.  the  LoG  will  give  a  The result of image segmentation is a set  positive response on the darker side and  of  segments  that  collectively  cover  the  a  negative  response  on  the  lighter  side. Each of the pixels in a region  positive just to one side  are  similar  with  respect  to  some  zero away from the edge  characteristic  or  computed  property.  This  two‐step  process  is  call  Image  segmentation  is  the  process  of  the  Laplacian  of  Gaussian  (LoG)  assigning  a    label  to  every  pixel  in  an  operation.  Wherever  a  label  share  certain  visual  characteristics. 2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29.  zero  at  some  point  in  between  on  the  edge Thus. Since derivative filters  which white part indicates tumor.  extracted  from  the  image  (see  edge  the response will be  detection).   are very sensitive to noise.www.  there  was  no  need  to  investigate  itself  more  sophisticated  image  segmentation  algorithms.in 48 ..

00334  0.00328  0.  with the aid of the orientation image.012.  We  obtained  all  of correct classification.  In  Neural  networks  based  classification. The number of Neurons used are    20 and which gives a Mean Square Error  3. FEATURE EXTRACTION  of  0.  PCA  was  performed  on  one  and  reduces  the  chances  of  the metabolite concentration dataset to  misclassification  increasing  the  accuracy  extract  feature  vectors.in 49 . 2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29.  filter.  For  convience  5  mean  squared  error  goal.The  network  until  it  meets  the  specified  length  of  vector  is  200.  Too  large  a  spread  means  a  lot  of  neurons  are  ‐ ‐ ‐ ‐ ‐ 0. It adds  neurons  Vector  corresponding  to  the  highest  to  the  hidden  layer  of  a  radial  basis  eigen value is used as feature vector.  First.00034  required  to  fit  a  fast‐changing  function.DATE OF ACCEPTANCE: APRIL 18.      Compute  the  gradient  magnitude  4.  long as the edge point exceeds the lower   The  neural  network  is  used  to  classify  threshold. ENGINEERING AND TECHNOLOGY.www.ijset.  The  eigen  approximate  functions.      Apply  non‐maxima  suppression.  the  smoother  the    function  approximation.  INTERNATIONAL   JOURNAL OF SCIENCE.  The  elements are shown here. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 Canny  Edge  detection  proceeds  thorough  A new dataset was reconstructed for all  following steps:  the  normal  healthy  brain  images  and   Smooth  the  image  with  a  Gaussian  brain tumor images.  As  the  number  of  Neurons    increases .  we  used  PCA  to  extract  and  the  output  is  close  to  the  desired  features.  eigen  values  and  their  corresponding  Radial  basis  networks  can  be  used  to  eigen  vectors  for  image. CLASSIFICATION  USING  and  orientation  using    finite‐difference  RADIAL BASIS FUNCTION  approximations for the partial derivatives. Mean Square Error decreases  In  this  section.0013  0. to  training  of  neural  networks  is  done  to  thin the gradient‐magnitude edge   perform  the  required  classification  task   Track along edges starting from any  using  different  input  features  (Feature  point  exceeding  a  higher  threshold  as  vectors  obtained  using  Eigen  Values).   brains  into  healthy  brain  or  brain  with   Apply edge linking to fill small gaps   tumor.  larger spread is.00114  0.

2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29.    and  the  network  might  not  generalize    well.DATE OF ACCEPTANCE: APRIL 18.  The  Fig 2: morphological eroded image  weights wi can  be  estimated  using  the    matrix  methods  of linear  least  squares.      Canny  edge  detector  is  applied  on  the  black  and  white  segmented  image  and  INTERNATIONAL   JOURNAL OF SCIENCE.  each  associated  with  a    different  center xi. CONCLUSION        Input  image  is  taken  and  pre‐processing    is  done  on  it.         where the approximating function y(x) is    represented  as  a  sum  of N radial  basis    functions. ENGINEERING AND TECHNOLOGY.  The  above  image  is  threshold  to  binary  because  the  approximating  function  using threshold value 0.www.  For  image  enhancement    LOG is used along with Unsharp Masking    giving  an  output  image  as  shown  in  Fig 3: Binary image  figure 1.  and  weighted  by  an    appropriate  coefficient wi.ijset.  Commonly  used  types  of  radial    basis functions include:          Fig 1: input image with LoG and unsharp  Radial  basis  functions  are  typically  used  masking  to  build  up function  approximations of    the form   M o r p h o l o g i c a l  o p e r a t i o n s  p e r f o r m e d u s i n g  B a l l S t r u c turing  element.in 50 .6 and is shown in  is linear in the weights.  fig3      5. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 Too small a spread means many neurons    are  required  to  fit  a  smooth  function.

 CLASSIFICATION  9/11/2011 IEEE.    MD.  Duin.VoI. ENGINEERING AND TECHNOLOGY.  Kwak.  "Input  "Graph‐based  Detection.  Choi.ijset. India‐400019  Statistical  pattern  recognition:  a  review.Iintell. New York.  Nikos  Paragios.  [9]  N. Scott E.  R.  Int.  Conf  on  Dr.  Edition. NoJ.    IEEE Trans.  New  York.2011. Meena Phanse.  Mumbai. Pattern Anal.  IEEE  Trans.  Prop.3. Head of Department.  Veermata  Jijabai Technological Institute.  Itali.    [4]  Noramalina  Abdullah. Wu.154. Borden.pp  149. W.  Hugues  Duffau.www.  [7]  AK.  Academic  Press. MD.  978‐1‐4673‐1228‐8/12/2012 IEEE.  Cambridge  University    Press.    [3] Neil M. Er.DATE OF ACCEPTANCE: APRIL 18.  J. 16.  [5] M.  Neural  Network. Mach.  11  nd  Academic Press.  Electrical  Engineering  Department.  978‐1‐61284‐896‐ 6.  On  Neural  TRAIN  25  0  INPUTS  network. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 the tumor is detected(outer boundary of  &  Characterization  of  Brain  Tumors".  Bankman.691. Vol.  Umi  Kalthum    Ngah.  Mao. S.  H.  Segmentation  Feature  Selection  for  classification  INTERNATIONAL   JOURNAL OF SCIENCE.2005.  Statistical  pattern  recognition.  Jain.  Shalihatun  Azlin  Aziz"  Image  Fig 4: segmented image  Classification of Brain MRI Using Support    Vector  Machine".  [2]  Sarah  Parisot.  W.  tumor) as shown in fig 4.  ephane  Chemouny.  Rust.  TEST INPUTS  5  3  [6]  Z. J..2000.  sr  1990.in 51 . 2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29. "High speed    space  recognition  based  on  discrete    CORRECTLY  INCORRECTLY  cosine  trans  form  and  RBF  Neural  CLASSIFIED  CLASSIFIED  Network".  Introduction  to  Medical  Image  processing  and  Analysis. 22  REFERENCES  (2000) 4 ‐ 37.  and  C. Forseen.  Hand  Book  of  [8]  K.  [I]  Issac  H.Pan.  AG.H.  Fukunaga.  "Pattern  Recognition    Neuroradiology".  Bolouri"  "Image    redundancy  reduction  for  neural  network  classification  using  discrete  ACKNOWLEDGEMENT  cosine  trans  form".P. Chen. 2009.pp 679.

    [11]  D.  department. 2014 VOLUME 02 ISSUE 04 APRIL-MAY 2014 problem". 2014 ISSN: 2348-4098 DATE OF PUBLICATION: APRIL 29. 2011.  IEEE  Press.11 09/ISMS.pp.  Y.  H. VJTI                      INTERNATIONAL   JOURNAL OF SCIENCE.  Fan. 2011J2. 525‐532.  Student.  No  Student.  Specht.  "Probabilistic  Neural  Network  For  Brain  Tumor    Classification"..  department.  Neural  Network. 13(1).  Electrical  Modeling and Simulation.    [10]  D. june 1988..  or  Student.F.  "Probabilistic  Neural   Tanveer  shah. 36(6). IEEE Computer  department.  [13]  Li.  Conference  on  Intelligent  Systems.  W.  Electrical  Forestry University.DATE OF ACCEPTANCE: APRIL 18.  Networks"  Neural  Networks.in 52 .  Electrical  l.  Vol  I.www. ENGINEERING AND TECHNOLOGY.001 10.  Matlab  Realization  of  Sensing  Image    Classification  Based  on  Probabilistic  Dhananjay  Bangar.  Y. VJTI  Society.  IEEE  Transactions  on  Neural  BIOGRAPHIES  Networks.1 09‐118.  Vol. VJTI  [12]  Mohd  Fauzi  Othman  and  Mohd  Ariffanan  Mohd  Basri.F.  mapping. 143‐159.  journal  oj  Northeast  Student.  3.2002.  Specht.  pp. 64‐66.  Proceedings  oj  department.ijset.  New  York.pp.  Second  International  Hitesh  Thadhani.  Electrical  associative  memory".  "Probabilistic  Neural  Abhijeet  Zamre. VJTI  IEEE  International  Conjerence  on  Neural  Networks.  Networks  for  classification. 1990.  2008.