تطوير خوارزمية جينية لتحديد الخصائص الهامة من صور الرنين المغناطيسي للدماغ للحصول على مصنف أسرع وأدق
Notice bibliographique
Résumé
ان اجراء عملية التصنيف لكمية كبيرة من صور الرنين المغناطيسي للدماغ، لمجموعة كبيرة من الخصائص المستخرجة من هذه الصور سيتم بدقة محدودة وبسرعة بطيئة، وللحصول على مصنف أسرع وأدق يجب تقليل هذه الخصائص. ان تحديد الخصائص هو إجرائية تحديد مجموعة صغيرة من الخصائص لبناء نموذج توصيف البيانات. ان الهدف الرئيسي من تحديد الخصائص هو تقليل عدد الخصائص المستخدمة للتصنيف وذلك لتحسين الدقة والسرعة. هناك عدد كبير من الخوارزميات التقليدية قدمت سابقاً لتحديد المجموعات الجزئية من الخصائص، في هذه المقالة تم استخدام قاعدة بيانات صور رنين الدماغ المأخوذة من الموقع: The MNI BITE database http://www.bic.mni.mcgill.ca/~laurence/data/data.html# تبدأ الخطوات بإجراء معالجة أولية للصورة قبل إدخالها الى الخوارزمية بتحويلها إلى صورة ثنائية بتدرج رمادي ليتم بعد ذلك إزالة المعلومات النصية من الصورة (معلومات المريض وبارامترات صورة الدماغ) وذلك باستخدام خوارزمية خاصة، بعد ذلك يتم إزالة أجزاء الجمجمة من صورة الدماغ دون التأثير على المادة البيضاء والمادة الرمادية في الدماغ. ثم بعد ذلك يتم استخدام مرشح معدل (مطور) عن المرشح الوسيط لإزالة الشوائب من الصورة الرقمية الناتجة، يتم ضغط الصورة وتمديدها باستخدام الهرم الغاوصي، ليتم بعدها كشف حواف الصورة الناتجة باستخدام هرم اللابلاسيان, يتم استخراج خصائص الاكساء من الصورة وهي عبارة عن مجموعة كبيرة من الخصائص، كخصائص التباين (النصوع), وخصائص التصحيح وخصائص التجانس وخصائص العشوائية, بعدها يتم تطبيق خوارزمية جينية مطورة لتحديد الخصائص الهامة من الخصائص الكبيرة المستخرجة لإدخالها الى مصنف K اقرب جار. Classification process for a large number of MRI brain images, and a large number of features extracted, will be done with less accuracy and slowly. To achieve a fast and accurate classifier, we must reduce these features. Feature selection refers to the procedure of selecting a subset of informative attributes to build models describing data. The main purpose of feature selection is to reduce the number of features used in classification while maintaining high classification accuracy. A large number of algorithms have been proposed for feature subset selection. In this paper, we have use MRI brain image to determine the area of tumor in brain. The steps started by preprocessing operation to the image before inputting it to algorithm. The image was converted to gray scale, later on remove film artifact using special algorithm, and then remove the Skull portions from the image without effect on white and gray matter of the brain using another algorithm, After that the image enhanced using optimized median filter algorithm and remove Impurities that produced from first and second steps, then we used the Gaussian Pyramid algorithm with Laplacian pyramid algorithm for detecting edges in the image, Finally we use a developed genetic algorithm for feature selection, and apply the K Nearest Neighbor for classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,023 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».