The Detection of Brain Tumors Using Chan-Vese Active Contour Without Edges Method in Magnetic Resonance (MR) Images
Notice bibliographique
Résumé
Accurate and automatic detections of brain tumors are vital. The aim of this study is to detect brain tumors in Magnetic Resonance (MR) images and to classify these tumors with a high degree of accuracy. After removing skull, the suspicious regions including tumors in the MR images were detected by using K-means clustering, K-means clustering in Lab color space, and the Chan-Vese without edges algorithm. At this stage, a performance evaluation of these three different methods was investigated, and it was seen that the best result was obtained in the Chan-Vese active contour without edges algorithm. For the classification stage, various features such as shape-based features, gray level co-occurrence matrix features, histogram of oriented gradients features, local binary pattern features, and statistical features were extracted from the detected suspicious regions. Finally, the suspicious regions were classified by k-nearest neighbor (k-NN), Fisher’s linear discriminant analysis (FLDA), random forest, decision tree, support vector machines (SVM), logistic linear classifier (LLC), and Naive Bayes classification methods. As a result of this study, it was determined that the FLDA classifier provided the best results with 93.01% accuracy, 93.46% sensitivity, and 96.50% specificity rates in classification for benign tumors, malignant tumors, and healthy (without tumor) cases.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».