A novel optimization of hybrid feature selection algorithms for image classification technique using RBFNN and MFO

• Siddamallappa Ujjappanahalli, Kumar ^[1] ; Sonawane, Vijay Ramnath ^[1] ; Gandhewar, Nisarg ^[1]
  1. [1] Dr.A.P.J. Abdul Kalam University, Department of Computer Science & Engineering, Indore, India
• Localización: Salud, Ciencia y Tecnología, ISSN 2796-9711, Nº. 2, 2022 (Ejemplar dedicado a: Salud, Ciencia y Tecnología), pág. 241
• Idioma: inglés
• Títulos paralelos:
  • Novedosa optimización de algoritmos híbridos de selección de características para la técnica de clasificación de imágenes mediante RBFNN y MFO
• Enlaces
  • Texto completo
• Resumen
  • español

    Un tumor cerebral se desarrolla cuando las células anormales del tejido cerebral se multiplican sin control. Cuando los radiólogos u otros profesionales clínicos necesitan extraer una zona tumoral infectada de una imagen de RM, tienen que pasar por un proceso largo y laborioso. Para mejorar el rendimiento y simplificar el proceso de segmentación, en este estudio investigamos las técnicas de segmentación de imágenes predichas por FCM. Además, los clasificadores para automatizar la detección y reclasificación de tumores de encéfalo reciben una entrada consistente en información crítica obtenida de cada tejido segmentado. Hemos evaluado, verificado y demostrado la eficacia experimental del método propuesto. Se desarrolló un novedoso modelo LLRBFNN basado en MFO (Moth-Flame Optimization) para la detección y clasificación automática de tumores cerebrales benignos y malignos. Con el fin de aliviar la carga que supone la detección manual de cánceres encefálicos a partir de imágenes de RM, los parámetros del modelo LLRBFNN sugerido se mejoran mediante el entrenamiento MFO. El método FCM modificado elimina los nodos periféricos del modelo LLRBFNN, y el algoritmo MFO mantiene la corriente de centros de nodos en dicho modelo. El modelo MFO-LLRBFNN propuesto se evaluó junto con el Árbol de decisión y el Bosque aleatorio. Para demostrar la fiabilidad de este modelo, se presentó un modelo LLWNN (Local Linear Wavelet Neural Network) basado en MFO para la detección autónoma de cánceres cerebrales. Se extrajeron características de imágenes de RM utilizando el algoritmo de segmentación MFCM (fuzzy C-Means modificado) y la técnica GLCM (Gray Level Co-occurrence Matrix).

  • English

    A brain tumor develops when abnormal cells in brain tissue multiply uncontrollably. For radiologists, finding and categorizing tumors manually has become a demanding and time-consuming task. When radiologists or other clinical professionals need to extract an infected tumor area from an MR picture, they have to go through a lengthy and laborious process. To improve performance and simplify the segmentation process, we investigate the FCM-predicted picture segmentation techniques in this study. In addition, classifiers for automating the detection and reclassification of encephalon tumors receive input consisting of critical information obtained from each segmented tissue. We have assessed, verified, and demonstrated the experimental efficacy of the proposed method. The purpose of this research was to develop a novel MFO (Moth-Flame Optimization) based LLRBFNN model for the automatic detection and classification of benign and malignant brain tumors. In order to alleviate the burden of manually detecting encephalon cancers from MR images, the suggested LLRBFNN model parameters are improved via MFO training. The Modified FCM method removes outlying nodes from the LLRBFNN model, and the MFO algorithm keeps the current of node centres in the aforementioned model. The proposed MFO-LLRBFNN model was evaluated alongside the Decision Tree and the Random Forest. To prove the reliability of this model, an MFO-based LLWNN (Local Linear Wavelet Neural Network) model for autonomously detecting brain cancers was presented. We extracted features from MR images using the MFCM (modified fuzzy C-Means) segmentation algorithm and the GLCM (Gray Level Co-occurrence Matrix) technique.