Performance Evaluation of Feature Extraction and SVM for Brain Tumor Detection Using MRI Images
Notice bibliographique
Résumé
The aim of this study is to develop an automatic detection of brain tumors from magnetic resonance images based on artificial intelligence.The developed approach comprises three steps: pre-processing, feature extraction, and classification.The pre-processing consists of applying image processing techniques to improve contrast and reduce noise in magnetic resonance images.The feature extraction consists of transforming magnetic resonance images into numerical vectors that represent the discriminating attributes for tumor detection.Then the classification consists of using a machine-learning algorithm to separate magnetic resonance images into two classes: tumoral and non-tumoral.The performance evaluation of the proposed approach is tested under dataset of 3000 magnetic resonance images, where 1500 magnetic resonance images are with tumors and 1500 magnetic resonance images are without tumors.In the feature extraction step, two techniques have been used the bag of features and the ResNet50 convolution neural network then a comparison between them was performed.In the last step, the obtained images have been compared with the three different kernels function for the support vector machine classifier: Linear, Quadratic, and Cubic.The proposed magnetic resonance images classification approach was tested using confusion matrices and receiver operating characteristic curves, which revealed satisfactory performance in terms of Sensitivity, Precision, Specificity and Accuracy.The obtained results show that the BoF-SVMs combination achieves the best classification accuracy, with a recognition rate of 100%.
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 ».