Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/749A3EC4-0658-4CBC-96C6-686B657F17CF | - |
| Αναγνωριστικό | https://doi.org/10.1109/IST.2018.8577099 | - |
| Αναγνωριστικό | https://ieeexplore.ieee.org/document/8577099 | - |
| Γλώσσα | en | - |
| Μέγεθος | 6 pages | en |
| Τίτλος | Application of ANN and ANFIS for detection of brain tumors in MRIs by using DWT and GLCM texture analysis | en |
| Δημιουργός | Sergaki Eleftheria | en |
| Δημιουργός | Σεργακη Ελευθερια | el |
| Δημιουργός | Spiliotis Georgios | en |
| Δημιουργός | Σπηλιωτης Γεωργιος | el |
| Δημιουργός | Vardiambasis Ioannis O. | en |
| Δημιουργός | Kapetanakis Theodoros | en |
| Δημιουργός | Krasoudakis, Antonios G. 1964- | en |
| Δημιουργός | Giakos George C | en |
| Δημιουργός | Zervakis Michail | en |
| Δημιουργός | Ζερβακης Μιχαηλ | el |
| Δημιουργός | Polydorou Alexios | en |
| Δημιουργός | Πολυδωρου Αλεξιος | el |
| Εκδότης | Institute of Electrical and Electronics Engineers | en |
| Περίληψη | In this work we combine different methodologies in order to develop algorithms for Computer-Aided Diagnosis (CAD) for brain tumors from the axial plane (T2 MRI). All methods utilize texture analysis by extracting features from raw data, without post-processing, based on different techniques, such as Gray Level Co-Occurrence Matrix (GLCM), or Discrete Wavelet Transform (DWT) and different classification methods, based on ANN or ANFIS. All of our proposed methodologies are developed, validated and verified on various sub data including 65% non-healthy MRIS. The total used database consists of 202 MRIs from non-healthy patients and 18 from healthy, segmented visually by an experienced neurosurgeon. Combining different subsets of features, our best results are by using 4 GLCM features for a 4 input and two hidden layers ANN, giving sensitivity 100%, specificity 77.8% accuracy 94.3%. It is proved that the input data to train such a CAD are considered to be unbiased if the ratio between healthy/un-healthy tissue MRIs is about 35%/65%, respectively. | en |
| Τύπος | Πλήρης Δημοσίευση σε Συνέδριο | el |
| Τύπος | Conference Full Paper | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2019-05-22 | - |
| Ημερομηνία Δημοσίευσης | 2018 | - |
| Θεματική Κατηγορία | Magnetic resonance imaging | en |
| Θεματική Κατηγορία | Tumors | en |
| Θεματική Κατηγορία | Feature extraction | en |
| Θεματική Κατηγορία | Discrete wavelet transforms | en |
| Θεματική Κατηγορία | Classification algorithms | en |
| Θεματική Κατηγορία | Image segmentation | en |
| Θεματική Κατηγορία | Neurosurgery | en |
| Θεματική Κατηγορία | MRI tumor CAD diagnosis | en |
| Θεματική Κατηγορία | ANFIS | en |
| Θεματική Κατηγορία | ANN | en |
| Θεματική Κατηγορία | GLCM | en |
| Θεματική Κατηγορία | DWT | en |
| Βιβλιογραφική Αναφορά | E. Sergaki, G. Spiliotis, I. O. Vardiambasis, T. Kapetanakis, A. Krasoudakis, G. C. Giakos, M. Zervakis and A. Polydorou, "Application of ANN and ANFIS for detection of brain tumors in MRIs by using DWT and GLCM texture analysis," in IEEE International Conference on Imaging Systems and Techniques, 2018. doi: 10.1109/IST.2018.8577099 | en |
Copyright © DIAS 2013
