Médecine

Paramédical

Autres domaines


S'abonner

A Hybrid CNN-SVM Threshold Segmentation Approach for Tumor Detection and Classification of MRI Brain Images - 11/06/21

Doi : 10.1016/j.irbm.2021.06.003 
Mohammad Omid Khairandish a, Meenakshi Sharma b, Vishal Jain c, Jyotir Moy Chatterjee d, N.Z. Jhanjhi e
a Department of Computer Science and Engineering, Chandigarh University, Mohali, Punjab, India 
b School of Computing Science and Engineering, Galgotias University, Greater Noida, U.P., India 
c Department of Computer Science and Engineering, Sharda University, Greater Noida, U.P., India 
d Department of Information Technology, Lord Buddha Education Foundation, Kathmandu, Nepal 
e School of Computer Science and Engineering (SCE), Taylor's University, Malaysia 

Sous presse. Manuscrit accepté. Disponible en ligne depuis le Friday 11 June 2021

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

The proposed hybrid model, with consideration of both CNN and SVM model advantages, shows significant improvement.
A Hybrid method on brain MRI images to detect and classify the tumor has been implemented.
The overall accuracy of the hybrid CNN-SVM obtained 98.4959%.

Le texte complet de cet article est disponible en PDF.

Abstract

Objective

In this research paper, the brain MRI images are going to classify by considering the excellence of CNN on a public dataset to classify Benign and Malignant tumors.

Materials and Methods

Deep learning (DL) methods due to good performance in the last few years have become more popular for Image classification. Convolution Neural Network (CNN), with several methods, can extract features without using handcrafted models, and eventually, show better accuracy of classification. The proposed hybrid model combined CNN and support vector machine (SVM) in terms of classification and with threshold-based segmentation in terms of detection.

Result

The findings of previous studies are based on different models with their accuracy as Rough Extreme Learning Machine (RELM)-94.233%, Deep CNN (DCNN)-95%, Deep Neural Network (DNN) and Discrete Wavelet Autoencoder (DWA)-96%, k-nearest neighbors (kNN)-96.6%, CNN-97.5%. The overall accuracy of the hybrid CNN-SVM is obtained as 98.4959%.

Conclusion

In today's world, brain cancer is one of the most dangerous diseases with the highest death rate, detection and classification of brain tumors due to abnormal growth of cells, shapes, orientation, and the location is a challengeable task in medical imaging. Magnetic resonance imaging (MRI) is a typical method of medical imaging for brain tumor analysis. Conventional machine learning (ML) techniques categorize brain cancer based on some handicraft property with the radiologist specialist choice. That can lead to failure in the execution and also decrease the effectiveness of an Algorithm. With a brief look came to know that the proposed hybrid model provides more effective and improvement techniques for classification.

Le texte complet de cet article est disponible en PDF.

Keywords : MRI, Brain tumor analysis, ML, DL, CNN & SVM


Plan


© 2021  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.