Automated Identification and Classification of Brain Tumors Using Hybrid Machine Learning Models and MRI Imaging
Notice bibliographique
Résumé
The need for automated diagnostic systems in medical imaging, particularly in the detection and categorization of brain tumors, is paramount.This research proposes a hybrid model to identify and classify MRI-detected brain tumors into four categories: pituitary, meningioma, glioma, or absence of a tumor.This hybrid approach leverages the strengths of both deep learning and traditional machine learning techniques, enabling the extraction of complex features and the recognition of intricate patterns, such as those found in brain tumors.Machine learning further enhances the model's capacity to classify accurately based on these specific features, reducing time and cost.The proposed system consists of several stages: initial pre-processing of brain MRI images, the application of two distinct segmentation techniques (region-based and edge-based), morphological operations, feature extraction, and finally classification.The classification employs a hybrid model (VGG16) in conjunction with four traditional classifiers: Support Vector Machine (SVM), Naive Bayes (NB), Decision Tree (DT), and Random Forest (RF).The experimental results highlight that the use of Random Forest with region-based segmentation yields the highest accuracy, reaching 99.17%.This combination excels at focusing on minute yet crucial details in MRI images and maintains stability in the presence of distortion and outliers.The dataset employed in this study is an amalgamation of three: Figshare, SARTAJ, and Br35H, each containing MRI images of the aforementioned four types of brain tumors.
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 | 0,001 |
| 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 | 0,000 | 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 ».