Tytuł pozycji:
Enhanced frost self organizing map segmentation based gradient boost classification for brain tumour detection
Brain tumor detection is a crucial field of research in medical imaging. Specifically, the application of soft computerized techniques in brain tumor detection facilitates the medical experts for diagnosis and critical treatment of brain cancer. An early and accurate tumor classification system is a pressing necessity to support radiologists and physicians to detect brain tumors. In this regard, this paper proposes a novel technique called Enhanced Frost Preprocessed Kohonen Self Organizing Map Segmentation based Intensified Gradient Boosting Classification (EFSOM-GB ) for accurate brain tumor detection with higher accuracy and lesser time consumption. The proposed technique is designed with aid of preprocessing, segmentation and ensemble classification. The input MRI image is preprocessed using Enhanced Frost Filter to eradicate noisy artifacts and offer higher PSNR ratio. Next, Kohonen Self Organizing Map Segmentation process is utilized to segment the preprocessed image for extracting features like texture, color, shape, and intensity. An intensified Gradient Boosting Classification is performed to categorize MRI images as normal or tumor. The experimental evaluation is performed with different metrics such as peak signal-to-noise ratio, tumor detection accuracy, error rate and tumor detection. The proposed model provides significant improvement interms of tumor detection accuracy, tumor detection time and reduced error rate when compared to existing methods.
Wykrywanie guzów mózgu jest kluczową dziedziną badań w obrazowaniu medycznym. W szczególności zastosowanie miękkich technik komputerowych w wykrywaniu guza mózgu ułatwia ekspertom medycznym diagnozowanie i krytyczne leczenie raka mózgu. Wczesny i dokładny system klasyfikacji nowotworów jest pilną koniecznością, aby wspierać radiologów i lekarzy w wykrywaniu guzów mózgu. W tym kontekście w artykule zaproponowano nowatorską technikę zwaną ulepszoną, wstępnie przetworzoną metodą Frost, samoorganizującą się mapą Segmentacji Kohonena, opartą na intensywnej klasyfikacji wzmacniania gradientu (EFSOM-GB), służącą do dokładnego wykrywania guza mózgu z większą dokładnością i mniejszym czasochłonnością. Proponowana technika została zaprojektowana z wykorzystaniem wstępnego przetwarzania, segmentacji i klasyfikacji zespołowej. Wejściowy obraz MRI jest wstępnie przetwarzany przy użyciu ulepszonego filtra Frost w celu wyeliminowania zakłóconych artefaktów i zapewnienia wyższego współczynnika PSNR. Następnie wykorzystuje się proces samoorganizującej się segmentacji mapy Kohonena w celu segmentacji wstępnie przetworzonego obrazu w celu wyodrębnienia takich cech, jak tekstura, kolor, kształt i intensywność. W celu sklasyfikowania obrazów MRI jako prawidłowych lub nowotworowych przeprowadza się wzmocnioną klasyfikację ze wzmocnieniem gradientu. Ocenę eksperymentalną przeprowadza się przy użyciu różnych wskaźników, takich jak szczytowy stosunek sygnału do szumu, dokładność wykrywania nowotworu, poziom błędu i wykrywanie nowotworu. Proponowany model zapewnia znaczną poprawę dokładności wykrywania nowotworu, czasu wykrywania nowotworu i zmniejszonego poziomu błędów w porównaniu z istniejącymi metodami.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
