XiaoMi-AI文件搜索系统
World File Search SystemDWT
103 Gabor 滤波器、GLCM 和 DWT 性能评估...
Gabor 滤波器、GLCM 和 DWT 在脑肿瘤分类中的表现评估 Fausat Fadeke Agboola 1；Wasiu Oladimeji Ismaila 2；Oluyinka Iyabo Omotosho 2；Adeleye Samuel Falohun 3；和 Folasade Muibat Ismaila 4 1 尼日利亚阿达马瓦州约拉莫迪博阿达玛大学物理科学学院计算机科学系。 2 尼日利亚奥约州奥格博莫索拉多克阿金托拉理工大学计算机与信息学学院计算机科学系。 3 尼日利亚奥约州奥格博莫索拉多克阿金托拉理工大学工程与技术学院计算机工程系。 4 尼日利亚奥顺州理工学院计算机科学系。摘要 大脑对身体功能至关重要，如果不加以治疗，肿瘤可能会侵袭大脑，导致死亡、不受控制的生长和转移。因此，自动分类脑肿瘤类型对于加快治疗、制定更好的计划和提高患者生存率至关重要，因为人工诊断脑肿瘤类型在很大程度上依赖于放射科医生的专业知识和敏感性。因此，本文使用 Kaggle 数据库中的四类脑 MRI 肿瘤，评估了 Gabor 滤波器、灰度共生矩阵 (GLCM) 和离散小波变换 (DWT) 在识别正常和异常脑肿瘤方面的性能。性能分析侧重于二元分类，以确定每种特征提取方法的功效。研究发现，Gabor 特征的假阳性率 (FPR) 为 7.61%，假阴性率 (FNR) 为 8.57%，灵敏度为 91.43%，精确度为 81.36%，准确度为 92.13%，时间为 985.34 秒。 GLCM 特征的 FPR 为 9.69%，FNR 为 9.52%，灵敏度为 90.48%，精度为 77.24%，准确率为 90.36%，时间为 364.74 秒。DWT 特征的 FPR 为 11.42%，FNR 为 11.43%，灵敏度为 88.57%，精度为 73.81%，准确率为 88.58%，时间为 275.53 秒。GLCM 产生了最有效的特征提取器，它可以作为一种有用的技术，并作为放射科医生诊断脑肿瘤的第二读取器，以降低死亡率。关键词：Gabor 滤波器、GLCM、DWT、MRI 图像、脑肿瘤、分类。引言脑肿瘤是一种起源于脑内的疾病，当不规则细胞不受控制和限制地生长时，就会无视正常的细胞生长规律。
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
使用 DEAP 进行 SVM 分类器特征提取的 DWT 与 PSD 性能比较
信号由在不同情况下组合的多个频率组成。离散小波变换 (DWT) 用于使用一系列高通/低通滤波器将信号分解为不同的频带。或者，使用功率谱密度 (PSD) 来获取频谱以及每个频率的功率分布。统计特征来自 DWT 和 PSD。然后，PCA 用于降维，并且在 SVM 分类器的情况下仅将得到的数据用于情绪分类，因为我们需要尽可能多的数据来进行深度学习。所有这些都是为了从分类器中提取最大性能并最小化所需的计算资源，然后将信号分解为组成频率并得出表征整个信号的相关统计特征。