MRI Brain Tumor Identification and Classification Using Deep Learning Techniques
Notice bibliographique
Résumé
Deep learning has exponentially enhanced the state-of-the-art in several Artificial Intelligence (AI) domains, including computer vision, user authentication, healthcare, object recognition and image processing.Recently, deep rule-based classifier (DRB) is being employed to solve diverse problems of classification or prediction.Thus, in this paper, we present a novel, simple, automatic, and effective DRB classifier-based scheme for MRI brain tumor classification.The proposed framework is composed of three stages, i.e., preprocessing, feature extraction and classification.Especially, in the second stage, we have investigated and analyzed comparative performances of various deep features extracted by the AlexNet, VGG-16, ResNet-50, ResNet-18 deep learning networks.After feature extraction step, a DRB classifier is employed for classification.The proposed method is evaluated on two publicly available datasets that are available on Kaggel website.The first database is a binary database (i.e., tumor and no tumor).Whereas the second one is a multiclass database (i.e., Meningioma, Glioma and Pituitary tumor).Experimental results show that the proposed method can obtain notable performances.Moreover, the comparative study with classical methods (e.g., SVM, KNN, Decision tree) as well as several state-of-the-art distance techniques demonstrated the effectiveness of proposed approach in MRI brain tumor detection and 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».