Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Application of ANN and ANFIS for detection of brain tumors in MRIs by using DWT and GLCM texture analysis

Sergaki Eleftheria, Spiliotis Georgios, Vardiambasis Ioannis O., Kapetanakis Theodoros, Krasoudakis, Antonios G. 1964-, Giakos George C, Zervakis Michail, Polydorou Alexios

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/749A3EC4-0658-4CBC-96C6-686B657F17CF-
Αναγνωριστικόhttps://doi.org/10.1109/IST.2018.8577099-
Αναγνωριστικόhttps://ieeexplore.ieee.org/document/8577099-
Γλώσσαen-
Μέγεθος6 pagesen
ΤίτλοςApplication of ANN and ANFIS for detection of brain tumors in MRIs by using DWT and GLCM texture analysisen
ΔημιουργόςSergaki Eleftheriaen
ΔημιουργόςΣεργακη Ελευθεριαel
ΔημιουργόςSpiliotis Georgiosen
ΔημιουργόςΣπηλιωτης Γεωργιοςel
ΔημιουργόςVardiambasis Ioannis O.en
ΔημιουργόςKapetanakis Theodorosen
ΔημιουργόςKrasoudakis, Antonios G. 1964-en
ΔημιουργόςGiakos George Cen
ΔημιουργόςZervakis Michailen
ΔημιουργόςΖερβακης Μιχαηλel
ΔημιουργόςPolydorou Alexiosen
ΔημιουργόςΠολυδωρου Αλεξιοςel
ΕκδότηςInstitute of Electrical and Electronics Engineersen
ΠερίληψηIn 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
ΤύποςΠλήρης Δημοσίευση σε Συνέδριοel
ΤύποςConference Full Paperen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2019-05-22-
Ημερομηνία Δημοσίευσης2018-
Θεματική ΚατηγορίαMagnetic resonance imagingen
Θεματική ΚατηγορίαTumorsen
Θεματική ΚατηγορίαFeature extractionen
Θεματική ΚατηγορίαDiscrete wavelet transformsen
Θεματική ΚατηγορίαClassification algorithmsen
Θεματική ΚατηγορίαImage segmentationen
Θεματική ΚατηγορίαNeurosurgeryen
Θεματική ΚατηγορίαMRI tumor CAD diagnosisen
Θεματική ΚατηγορίαANFISen
Θεματική ΚατηγορίαANNen
Θεματική ΚατηγορίαGLCMen
Θεματική ΚατηγορίαDWTen
Βιβλιογραφική ΑναφοράE. 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.2018.8577099en

Υπηρεσίες

Στατιστικά