Cloud-Based LeNet-5 CNN for MRI Brain Tumor Diagnosis and Recognition
Notice bibliographique
Résumé
Early and accurate diagnosis of brain tumors is crucial in the medical field, as undetected or misdiagnosed tumors can lead to sudden death.Traditional models for diagnosing brain tumors suffer from low Time of Conversion (ToC) and low accuracy, contributing to a high mortality rate among the 5 million people affected by brain disease annually, as reported by the World Health Organization (WHO).Previous methods, such as Elastic Net Regression (ENR), Logistic Regression (LR), and other machine learning models, struggle to accurately locate and identify brain lesions.Moreover, these models are not suited for cloud-based platforms.To address this issue, we developed a sophisticated, cloud-based brain abnormality detection application using the LeNet-5 Convolutional Neural Network (CNN) on the DriveHQ platform.The pre-trained LeNet-5 model extracts features from ADNI-1, ADNI-2, and MIRIAD datasets.Real-time MRI brain images were collected from Manipal Hospital in Vijayawada, Andhra Pradesh, India.The LeNet-5 model employs hidden layers, flattened layers, max-pooling layers, dense layers, and ReLu layers for optimal performance.Our 2D-LeNet-5 CNN approach preprocesses images using split and merge techniques of binary mask segmentation.The Python 3.7 software tool was used to train and test datasets to identify abnormalities in MRI brain images.The proposed application achieved remarkable performance metrics, including 99.65% accuracy, 99.59% sensitivity, 99.72% F1-score, 99.25% recall, 59.32 PSNR, and 0.9929 MCC.These results demonstrate the superiority of our methodology in comparison to existing models, making it a promising solution for cloud-based brain tumor diagnosis and recognition.
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 | 0,000 |
| 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 ».