Desarrollo de un nuevo algoritmo de clasificación de tumores cerebrales mediante imágenes de resonancia magnética

Bhavna Kaushik Pancholi; Pramodkumar Sevantilal Modi; Nehal Gitesh Chitaliya

doi:10.56294/saludcyt2023434

Autores/as

Bhavna Kaushik Pancholi The Maharaja Sayajirao University of Baroda, Department of Electrical Engineering, Vadodara, Gujarat, India https://orcid.org/0000-0002-8908-0590
Pramodkumar Sevantilal Modi The Maharaja Sayajirao University of Baroda, Department of Electrical Engineering, Vadodara, Gujarat, India https://orcid.org/0000-0002-2651-8743
Nehal Gitesh Chitaliya The Maharaja Sayajirao University of Baroda, Department of Electrical Engineering, Vadodara, Gujarat, India https://orcid.org/0000-0003-3699-2542

DOI:

https://doi.org/10.56294/saludcyt2023434

Palabras clave:

Imágenes de resonancia magnética, tumor cerebral, preprocesamiento, segmentación de imágenes, extracción de características

Resumen

Los científicos sanitarios han determinado que las imágenes de resonancia magnética han sido muy beneficiosas en los últimos tiempos para la investigación del reconocimiento y la identificación precoz de enfermedades cerebrales. Las principales etapas primarias en el análisis de las imágenes de resonancia magnética del cerebro son el preprocesamiento de imágenes, la segmentación, la extracción de características y la clasificación. Entre los procesos cruciales que pueden evaluar lo bien que se pueden clasificar las imágenes de resonancia magnética del cerebro y, en última instancia, la enfermedad que indicarán, se encuentran la extracción de características y la segmentación. En este artículo se describen métodos por etapas. En la primera etapa (etapa de preprocesamiento) se utilizan diferentes filtros, como la mediana, wiener, anisotrópico, medios no locales, así como filtros combinados. En la parte de preprocesamiento, los filtros wiener y anisotrópico combinados dan el mejor resultado. En la segunda etapa (etapa de segmentación), la técnica de umbralización múltiple - algoritmo de búsqueda de cuco utilizado utilizando diferentes funciones objetivas; como; ostu, kapur entropía, tsallis entropía y propuso. En el método propuesto de la etapa de segmentación utilizado cuckoo algoritmo de búsqueda utilizando ostu combinado y tsallis entropía como función objetivo. En la tercera etapa (extracción de características), transformada wavelet discreta utilizada y en la cuarta etapa (clasificación) máquina de vectores soporte utilizado. En cada etapa se comparan los resultados utilizando diferentes parámetros y se obtienen los mejores resultados utilizando el método propuesto.

Métricas

Cargando métricas ...

Citas

Bhavna Pancholi K, Pramod Modi S. Noise reduction in clinical MRI scans employing filter combining techniques. In: 2nd International Conference on Technological Advancements in Computational Sciences (ICTACS); 2022. IEEE conference proceedings.

Buades Coll B, Morel JM. A review of image denoising algorithms, with a new one. Multiscale Model Simul. 2005;4(2):490-530.

Chahal PK. A survey on brain tumor detection techniques for MR images. Multimedia Tools Appl. 2020;79(29-30):21771-21814. doi:10.1007/s11042-020-08898-3.

Nagarajan I, Lakshmi Priya GG. Removal of noise in MRI images using a block difference-based filtering approach. Int J Imaging Syst Technol. 2019;30(3):1203-1215. doi:10.1002/ima.22361.

Maheshan CM, Prasanna Kumar H. Performance of image pre-processing filters for noise removal in transformer oil images at different temperatures. SN Appl Sci. 2019;2(1):1. doi:10.1007/s42452-019-1800-x.

Gayathri S. Analyzing, detecting and automatic classification of different stages of brain tumor using region segmentation and support vector machine. In: 2020 International Conference on Electronics and Sustainable Communication Systems (ICESC); 2020. doi:10.1109/icesc48915.2020.9156057.

Jia Z, Chen D. Brain tumor identification and classification of MRI images using deep learning techniques. IEEE Access. 2020;8:108181-108189. doi:10.1109/access.2020.3016319.

Vadmal V, Junno GT, Badve C, Huang WC, Waite K, Barnholtz-Sloan JS. MRI image analysis methods and applications: an algorithmic perspective using brain tumors as an exemplar. Neuro Oncol Adv. 2020;2(1):vdaa049. doi:10.1093/noajnl/vdaa049.

Raut AM. Texture parameters extraction of satellite image. IJSTE Int J Sci Technol Eng. 2016;2(11).

Yang XS, Deb S. Cuckoo search via Lévy flights. In: 2009 World Congress on Nature & Biologically Inspired Computing (NaBIC); 2009.

Deng Q. Self-adaptive image thresholding within nonextensive entropy and the variance of the gray-level distribution. Entropy. 2022;24(3):319. doi:10.3390/e24030319.

Kalpana R, Chandrasekar P. An optimized technique for brain tumor classification and detection with radiation dosage calculation in MR image. Microprocess Microsyst. 2020;72:102903. doi:10.1016/j.micpro.2019.102903.

Jude Hemanth D, Anitha J. Image pre-processing and feature extraction techniques for magnetic resonance brain image analysis. Commun Comput Inf Sci. 2012;349-356. doi:10.1007/978-3-642-35594-3_47.

Çinar A, Yildirim M. Detection of tumors on brain MRI images using the hybrid convolutional neural network architecture. Med Hypotheses. 2020;139:109684. doi:10.1016/j.mehy.2020.109684.

Mahmud Boby, Shakil, Sharmin S. Medical image denoising techniques against hazardous noises: An IQA metrics-based comparative analysis. Int J Image Graph Signal Process. 2021;13(2):25-43. doi:10.5815/ijigsp.2021.02.03.

Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion. IEEE Trans Pattern Anal Mach Intell. 1990;12(7):629-639. doi:10.1109/34.56205.

Khairuzzaman AKM, Chaudhury S. Masi entropy-based multilevel thresholding for image segmentation. Multimed Tools Appl. 2019;78(23):33573-33591. doi:10.1007/s11042-019-08117-8.

Rahaman J, Sing M. An efficient multilevel thresholding-based satellite image segmentation approach using a new adaptive cuckoo search algorithm. Expert Syst Appl. 2021;174:114633. doi:10.1016/j.eswa.2021.114633.

Suresh S, Lal S. An efficient cuckoo search algorithm-based multilevel thresholding for segmentation of satellite images using different objective functions. Expert Syst Appl. 2016;58:184-209. doi:10.1016/j.eswa.2016.03.032.

Ou C. Generalized measure of uncertainty and the maximizable entropy. Mod Phys Lett B. 2010;24(9):825-831. doi:10.1142/s0217984910022883.

Tsallis C. Possible generalization of Boltzmann-Gibbs statistics. J Stat Phys. 1988;52(1-2):479-487. doi:10.1007/bf01016429.

Ramírez-Reyes A. Determining the entropic index Q of Tsallis entropy in images through redundancy. Entropy. 2016;18(8):299. doi:10.3390/e18080299.

Kapur JN. A new method for gray-level picture thresholding using the entropy of the histogram. Comput Vis Graph Image Process. 1985;29(3):273-285. doi:10.1016/0734-189x(85)90125-2.

Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979;9(1):62-66.

Huang Z. The available force in long-duration memory complex systems and its statistical physical properties. EPL (Europhysics Letters). 2013;103(1):10011. doi:10.1209/0295-5075/103/10011.

Anoop V. Medical image enhancement by a bilateral filter using optimization technique. J Med Syst. 2019;43(8):240. doi:10.1007/s10916-019-1370-x.