Automated Classification of Brain Tumor Disease with a Novel CNN Relief and SVM-Based Deep Hybrid Model
Notice bibliographique
Résumé
The brain tumor is a very dangerous type of cancer that can be seen in people of almost any age and usually results in the patient's death.Early detection of these tumors, which have many varieties, is extremely important in terms of the patient's survival, affecting the planning of treatment, just as with other types of cancer.Early diagnosis of the disease is usually performed by means of imaging devices.It takes a lot of expertise to analyze the MRI images and diagnose the brain tumor.In this study, a hybrid deep model is recommended that can be used effectively in the classification of the brain tumor.The proposed hybrid model is a Convolutional Neural Network (CNN)-based method that automatically classifies Magnetic Resonance (MR) images of three different types of brain tumors, Glioma, Meningioma and Pituitary successfully.Our model is basically going through these stages.First of all, the features from the two models that show the highest performance from pre-trained deep models are combined.The most effective features of the specification map obtained in the next phase were selected using the Relief method.At the last stage, classification was carried out with Support Vector Machine (SVM), one of the most known machine learning techniques.As a result of the experiments, the hybrid deep model we proposed obtained 93.2% accuracy.It seems that proposed hybrid method has very competitive results and is thought to be efficiently used to classify the brain tumor.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».