Hybrid Elmann-BiLSTM Based Brain Tumor Classification on Augmented Data with Combination of Variational Auto-Encoders and Generative Adversarial Network
Notice bibliographique
Résumé
For detecting and classifying brain tumors, clinicians use Magnetic Resonance Imaging (MRI) data.Automated AI-powered tools accelerate the diagnostic process for clinicians.However, large amounts of data are needed for these models to achieve high accuracy.Variational Autoencoders (VAE) and Generative Adversarial Networks (GAN) architecture are combined for dataset expansion.The accuracy was improved with the artificial image set created in all tested models.However, since the accuracy rate remained at 92,960% using Long Short Term Memory Algorithm, it was observed that a hybrid method was also needed, and hybrid Elmann Bidirectional Long Short Memory Algorithm (Elmann-BiLSTM) was developed.In this proposed approach based on deep learning, a Guided Bilateral Filter is used to separate skull from images after VAE-GAN structure.The thresholding scheme extracts tumour regions from the original image in parts.Edge features and major texture data are collected from these tumor images produced using the Improved Gabor Wavelet Transform.Random Forest-based feature selection algorithm will select optimal features that increase accuracy from extracted features.These features feed the Elmann-BiLSTM algorithm used as a two-step classifier.The accuracy rate was 98.897% in the one-step classification approach and 100% and 99.313% in the two-step classifier approach, respectively.
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 | 0,000 |
| 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 ».