Comparative Study of Rough Set-Based FCM and K-Means Clustering for Tumor Segmentation from Brain MRI Images
Notice bibliographique
Résumé
Segmentation of tumors from brain Magnetic Resonance Imaging (MRI) imagery is of utmost importance, particularly given their diverse morphologies and contrasts.In this paper, two novel methods of tumor segmentation are proposed, both employing Rough Set Theory in conjunction with clustering techniques: Fuzzy C-Means (FCM) and K-Means.In the first methodology, the cluster centers derived from FCM are incorporated into a Rough Set model to facilitate segmentation.Conversely, the second methodology utilizes cluster centers from K-Means clustering within the Rough Set framework for the same purpose.These techniques have been implemented on two publicly available brain MRI datasets.For preprocessing, an initial thresholding step is executed, followed by extraction of the foreground region via a binary mask.The Rough Set-based FCM is then applied to the binary image, generating cluster centers that are subsequently utilized by the Rough Set to accurately segment the tumor region.A similar approach is employed in the Rough Setbased K-Means clustering methodology.Experimental results indicate that the hybridization of Rough Set Theory with K-Means outperforms standard FCM, K-Means clustering, and FCM clustering in terms of accuracy, precision, recall, f-measure, and computational time.The average accuracy was found to be at a minimum for FCM (53.95%) and at a maximum for K-Means-based Rough Set Theory (95.77%).Moreover, the average clustering time was shortest for K-Means clustering (6.256s), and longest for FCM-based Rough Set Theory (43.27s).This study thus presents significant advancements in the field of tumor segmentation from brain MRI images, with potential implications for improved diagnostic accuracy and patient outcomes.
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 ».