Brain Tumor Detection Using Deep Features in the Latent Space
Notice bibliographique
Résumé
Tumor grown in the human brains is one of the significant reasons that lead to loss of lives globally. Tumor is malignant collection of cells that grow in the human body. If these tumors grow in the brain, then they are called as brain tumors. Every year large number of human lives are lost due to this disease. Early detection of the disease might save the lives but requires experienced clinicians and diagnostic procedure that requires time and is very expensive. Therefore, there is a requirement for a robust system that automates the process of tumor identification. The idea behind this paper is to diagnose brain tumors by identifying the affected regions from the brain MRI images using machine learning approaches. In the proposed approach, prominent features of the tumor images are collected by passing them through a pre-trained Convolutional Network, VGG16. We observe that SVM gives better accuracy than other models. Though we achieve 84% accuracy, we feel the performance is not satisfactory. To make the model more robust, we obtain the most discriminant features, by applying Linear Discriminant Analysis (LDA) on the features obtained from VGG16. We use different conventional models like logistic regression, K-Nearest neighbor classifier (KNN), Perceptron learning, Multi Layered Perceptron (MLP) and Support Vector Machine (SVM) for the comparison study of the tumor image classification task. The proposed model leads to an accuracy of 100% as deep features extract important characteristics of the data and further LDA projects the data onto the most discriminant directions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».