Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 7

Enhanced Frost Self Organizing Map Segmentation Based Gradient Boost Classification for brain tumour Detection

Ulepszona, samoorganizująca się mapa Frost oparta na segmentacji mapy, klasyfikacja wzmocnienia gradientowego do wykrywania guza mózgu

10.15199/48.2024.07.49

nr katalogowy: 149550
10.15199/48.2024.07.49

Streszczenie

Brain tumor detection is a crucial field of research in medical imaging. Specifically, the application of soft computerized techniques in brain tumor detection facilitates the medical experts for diagnosis and critical treatment of brain cancer. An early and accurate tumor classification system is a pressing necessity to support radiologists and physicians to detect brain tumors. In this regard, this paper proposes a novel technique called Enhanced Frost Preprocessed Kohonen Self Organizing Map Segmentation based Intensified Gradient Boosting Classification (EFSOM-GB ) for accurate brain tumor detection with higher accuracy and lesser time consumption. The proposed technique is designed with aid of preprocessing, segmentation and ensemble classification. The input MRI image is preprocessed using Enhanced Frost Filter to eradicate noisy artifacts and offer higher PSNR ratio. Next, Kohonen Self Organizing Map Segmentation process is utilized to segment the preprocessed image for extracting features like texture, color, shape, and intensity. An intensified Gradient Boosting Classification is performed to categorize MRI images as normal or tumor. The experimental evaluation is performed with different metrics such as peak signal-to-noise ratio, tumor detection accuracy, error rate and tumor detection. The proposed model provides significant improvement interms of tumor detection accuracy, tumor detection time and reduced error rate when compared to existing methods.

Abstract

Wykrywanie guzów mózgu jest kluczową dziedziną badań w obrazowaniu medycznym. W szczególności zastosowanie miękkich technik komputerowych w wykrywaniu guza mózgu ułatwia ekspertom medycznym diagnozowanie i krytyczne leczenie raka mózgu. Wczesny i dokładny system klasyfikacji nowotworów jest pilną koniecznością, aby wspierać radiologów i lekarzy w wykrywaniu guzów mózgu. W tym kontekście w artykule zaproponowano nowatorską technikę zwaną ulepszoną, wstępnie przetworzoną metodą Frost, samoorganizującą się mapą Segmentacji Kohonena, opartą na intensywnej klasyfikacji wzmacniania gradientu (EFSOM-GB), służącą do dokładnego wykrywania guza mózgu z większą dokładnością i mniejszym czasochłonnością. Proponowana technika została zaprojektowana z wykorzystaniem wstępnego przetwarzania, segmentacji i klasyfikacji zespołowej. Wejściowy obraz MRI jest wstępnie przetwarzany przy użyciu ulepszonego filtra Frost w celu wyeliminowania zakłóconych artefaktów i zapewnienia wyższego współczynnika PSNR. Następnie wykorzystuje się proces samoorganizującej się segmentacji mapy Kohonena w celu segmentacji wstępnie przetworzonego obrazu w celu wyodrębnienia takich cech, jak tekstura, kolor, kształt i intensywność. W celu sklasyfikowania obrazów MRI jako prawidłowych lub nowotworowych przeprowadza się wzmocnioną klasyfikację ze wzmocnieniem gradientu. Ocenę eksperymentalną przeprowadza się przy użyciu różnych wskaźników, takich jak szczytowy stosunek sygnału do szumu, dokładność wykrywania nowotworu, poziom błędu i wykrywanie nowotworu. Proponowany model zapewnia znaczną poprawę dokładności wykrywania nowotworu, czasu wykrywania nowotworu i zmniejszonego poziomu błędów w porównaniu z istniejącymi metodami.

Słowa kluczowe

Keywords

Bibliografia

[1] Abdulraqeb AR, Al-Haidri1 WB, Sushkova LT, Abounassif MM, Parameaswari PJ, Muteb MA An Automated Method for Segmenting Brain Tumors on MRI Images. Biomedical Engineering, Springer 51 (2017), 97–101.DOI 10.1007/s10527-017-9692-9
[2] Anaraki AK, Ayati M, Kazemi F,Magnetic resonance imaging based brain tumor grades classification and grading via convolutional neural networks and genetic algorithms.Biocybernetics and Biomedical Engineering. Elsevier 39 (2018),63-74.https :// doi .org /10.1016/j.bbe.2018.10.004
[3] Badža MM, Barjaktarovic MC Classification of Brain Tumors from MRI Images Using a Convolutional Neural Network.AppliedScience.10(2020), 1-13. https://doi.org/ 10.3390/app10061999.
[4] C. Jonitta Meryl, K. Dharshini, D. Sujitha Juliet, J. Akila Rosy and S. S. Jacob, "Deep Learning based Facial Expression Recognition for Psychological Health Analysis," ,IEEE xplore 2020,pp. 1155-1158, doi: 10.1109/ICCSP48568.2020.9182094.
[5] Bahadure NB, Ray AK, Thethi HP ,Image Analysis for MRI Based Brain Tumor Detection and Feature Extraction Using Biologically Inspired BWT and SVM. International Journal of Biomedical Imaging, Hindawi 2017:1-12. https://doi.org/ 10.1155/2017/9749108
[6] Bai X, Zhang Y, Liu H, Ch Z,Similarity Measure-Based Possibilistic FCM With Label Information for Brain MRI Segmentation. IEEE Transactions on Cybernetics 49 (2019) 2618–2630.https://doi.org/.10.1109/TCYB.2018.2830977
[7] Çinar A, Yildirim M ,Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture. Medical Hypotheses, Elsevier, (2020) 139: 1-8. https://doi.org/ 10.1016/j.mehy.2020.109684.
[8] Ge T, Mu N, Zhan T, Chen Z, Gao W, Mu SC,Brain Lesion Segmentation Based on Joint Constraints of Low-Rank Representation and Sparse Representation. Computational Intelligence and Neuroscience, Hindawi 2019:1 11.https://doi.org/10.1155/2019/9378014
[9] Gumaei A, Hassan MH, Hassan Md. R, Alelaiwi A, Giancarlo F) A Hybrid Feature Extraction Method with Regularized Extreme Learning Machine for Brain Tumor Classification(2019). IEEE Access7:36266 -6273. https://doi.org/10.1109/ACCESS.2019.2904145.
[10] Hu K, Gan Q,Zhang Y,Deng S,Xiao F,Huang W,Cao C Gao X ,BrainTumor Segmentation Using Multi-Cascaded Convolutional Neural Networks and Conditional Random Field. IEEE Access 7 (2019):2615 92629.http://doi.ordg/10.1109/ACCESS.2019.2927433
[11]Johnpeter JH, Thirumurugan, Ponnuchamy , Computer aided automated detection and classification of brain tumors using CANFIS classification method. International Journal of Imaging Systems and Technology 29(2019)):431-438. https://doi.org/10.1002/ima.22318.
[12] Khan MA, Lali IU, Rehman A, IshaqM, Sharif M, Saba T, Zahoor S, Akram T ,Brain tumor detection and classification: A framework of marker-based watershed algorithm and multilevel priority features selection. Microsopic research and technique, Wiley, 14.DOI: 10.1002/jemt.23238 82(2019) 6):1
[13] Kharrat A, Neji M Feature selection based on hybrid optimization for magnetic resonance imaging brain tumor classification and segmentation. Applied Medical Informatics 41(2019) 9-23.
[14]Kumar S, Mankamem DP Optimization driven Deep Convolution Neural Network for brain tumor classification. Biocybernetics and Biomedical Engineering, Elsevier 40 (2020):11901204.https://doi.org/10.1016/j.bbe.2020.05.009
[15]Simy M K ,SujithaJ,Vinodh P V).Brain Tumour Detection by Gamma DeNoised Wavelet Segmented Entropy Classifier.Computers, Materials &Continua.Tec Science Press 69(20212093-2109.10.32604/cmc.2021.018090
[16] Lorenzo PR, Nalepa J, Bobek-Billewicz B, Wawrzyniak P, Mrukwa G, Kawulok M, Ulrych P, Hayball, M.P,Segmenting brain tumors from FLAIR MRI using fully convolutional neural networks. Computer Methods and Programs in Biomedicine 176(2019), 135 148.https://doi.org/10.1016/j.cmpb.2019.05.006
[17] Mallick PK, Ryu SH, Satapathy SK, Mishra S, Nguyen NG, Tiwari P Brain MRI Image Classification for Cancer Detection Using Deep Wavelet Autoencoder-Based Deep NeuralNetwork. IEEEAccess 7(2019): 46278– 46287 https://doi.org/ 10.1109/ACCESS.2019.2902252
[18] Özyurt F, Sert E, Avc D ,An expert system for brain tumor detection: Fuzzy C-means with superresolution and convolutional neural network with extreme learning machine. 8.https://doi.org/10.1016/j.mehy.2019.109433.
[19] Simy M K ,Sujitha J,An automatic and intelligent brain tumor detection using Lee sigma filtered histogram segmentation model.SoftComputing, ,Springer.https://doi.org/ (2022) 10.1007/s00500-022-07457-2
[20] Shree NV, Kumar TNR ,Identification and classification of brain tumor MRI images with feature extraction using DWT and probabilistic neural network. BrainInformatics, Springer 5(2018), 0075-5.
[21] 23-30. https://doi.org/10.1007/s40708-017 Rajan PG, Sundar C ,Brain Tumor Detection and Segmentation by Intensity Adjustment, Journal of Medical Systems, Springer 43(2019), 1-13.
[22] Z hao J, Li D, Kassam Z, Howey J, Chong J, Chen B, Li S Tripartite-GAN:Synthesizing liver contrast-enhanced MRI to improve tumor detection. Medical Image Analysis 63(2020),:1- 16. https://doi.org/10.1016/j.media.2020.101667
[23] Sujitha Juliet Devaraj, Emerging paradigms in transform based medical image compression for telemedicine environment,telemedicine technologies(2019),15-29 https://doi.org/10.1007/s10916-019-1368-4
[24] Ragupathy B, Karunakaran M A fuzzy logic-based meningioma tumor detection in magnetic resonance brain images using CANFIS and U-Net CNN classification, International Journal of Imaging SystemsandTechnology, (2020),1-20.https:// doi.org/ 10.1002/ima.22464
[25] Iwin T J, Sasikala J. D S Juliet, Optimized vessel detection in marine environment using hybrid adaptive cuckoo search algorithm,computers and electrical engineering (2019),482 492.
[26] Simy M K , Sujitha J, An improved deep neural learning classifier for brain tumor detection.IEEE xplore, (2022) , 1085 1091.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-7 , nr katalogowy 149550 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-7 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-7

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma