anfis زا هافتسا اب mriريواصت زا يزغم ... · يم يمازلا ريم و...
TRANSCRIPT
الزامي مي مير و مرگ کاهش و معالجه جهت اوليه، مراحل در را زودهنگام آن تشخيص مغزي، تومور علت به زياد انساني تلفات آمار -دهيچک
به دليل MRIتصاوير از استفاده اخير سالهاي در بود. خواهد بسيار مفيد اتوماتيک هايروش از استفاده تومورها دقيق بررسي لذا براينمايد.
هدف اين تحقيق دستيابي به يک سيستم خبره است که است. گرفته قرار توجه مورد آن خصوصيات و تومور تعيين جهت باال کيفيت و وضوح
روش هاي هيستوگرام و/يا تبديل با استفاده از MRIويژگي ها از تصاوير استخراج داشته باشد. MRIتوانايي تشخيص تومور مغزي را از تصاوير
فازي براي انجام فرايند تصميم -موجک، فوريه و ... . سپس انتخاب ويژگي هاي مناسب و در نهايت استفاده از سيستم استنتاج تطبيقي عصبي
استنتاج دارد که با اين گيري سيستمگيري و طبقه بندي نمونه ها. انتخاب ويژگي هاي مفيد استخراج شده وابستگي مستقيمي به دقت تصميم
.ها آموزش مي بيندويژگي
. ANFIS، یطبقه بند،تومور مغزی ، MRIاستخراج ویژگی ،تصاویر -کليد واژه
مقدمه -1
ص يتشخ مغزي هاي بافت اديز يدگيچيپ علت به
و ريگوقت اريبس تومور و مغز هاي بافت يدست ازين نيهمچن باشد. يم ط اپراتوريشرا به وابسته
صيتشخ ر براييتصاو يبررس براي خبره فرادا بهناکارآمدي روش باعث که است ياتيح امر نيا
افراد نيا حضور عدم در يميقد و معمول هاي از استفاده تومورها قيدق يبررس لذا براي گردد.يم
در بود. خواهد ديار مفيبس کياتومات هايروش ليبه دل MRIر يتصاو از استفاده رياخ سالهاي و تومور نييتع جهت باال تيفيک و وضوح
است. گرفته قرار توجه مورد آن اتيخصوص
T2و T1وزندار به صورت معموال مربوطه ريتصاو
ريتصاو T2 داراي ريتصاو شود. براي يم افتيدر داراي تر وچگال و ترفشرده هابافت وزن داراي نيا باشند. يم شترييب دييسف به ليمتما رنگ
هايبافت راحت تر صيتشخ باعث تيخصوصسلولهاي رشد واسطه به چون گردديم يسرطان
يسلول تراکم نظر، مورد قسمت در يسرطان .م داشتيخواه شترييب
بصورت تومور تشخيص زمينه در
نتايج و گرفته صورت کارهاي فراواني اتوماتيک
مراحل انجام اين .است شده حاصل متفاوتي
استخراج الگوريتم ها را مي توان به دو دسته
نمونه ها تقسيم بندي بندي ويژگي و طبقه
نمود. روش کار به طور کلي به اين شکل است
که ابتدا ويژگي هاي تصوير استخراج مي شود.
کياستات هايي ها معموالً شامل ويژگيژگاين وي
انرژي، گشتاور، ن،يانگيم ،يچولگ ،يآنتروپ رينظ
از هاي بدست آمده ي و ... و يا ويژگيهمبستگ
اعمال الگوريتم هاي ديگر )تبديل فوريه،
هيستوگرام و ...( مي باشند. اطالعات بدست
ANFISبا استفاده از MRIمور مغزي از تصاويروتشخيص ت
3دکترحميد محموديانو 2مهرآذر زاهدي،دکتر همايون مهدوي نسب [email protected]، دانشگاه آزاد اسالمي واحد نجف آباد1
[email protected] ، دانشگاه آزاد اسالمي واحد نجف آباد 2
[email protected] نجف آباددانشگاه آزاد اسالمي واحد 3
782 / 1004
آمده در اين مرحله براي تصميم گيري به مرحله
نمونه ها اعمال مي شود. بندي طبقه
به توانمي هاويژگي زمينه استخراج در
، 1،2،3تبديل ويولت ] مانند مختلفي هايروش
بندي بلوك [،4گابور] فيلتر [،4فوريه ] تبديل [،5
استفاده [،7هيستوگرام ] از استفاده [،6تصوير ]
، 7، 4استاتيک ] هايويژگي مغز و تقارن قانون از
هاي آماري همچنين از روش .نمود اشاره [9و 8
نيز براي تشخيص ميزان احتمال ابتال به سرطان
[ از 11[. در ]11نيز استفاده شده است ]
راي پياده سازي روش هاي اتوماتاي سلولي ب
زمينه در.آماري ارائه شده استفاده شده است
روش انواع از هاويژگي نمودن جدا و بندي طبقه
و شده نظارت (ANN)مصنوعي هوش هاي
استفاده توانوالگوريتم ژنتيک مي نشده نظارت
ماشين چون ييهاروش ] 14،13،12 [نمود.
، 16،15 ،]SOM [17]( ]SVMبردار پشتيبان )
BP ،[18] Fuzzy C-Mean وKNN نيانيز از
.باشندي م دسته
هاي تصوير براي انجام پروژه ابتدا ويژگي
MRI با استفاده از روش هاي پردازش تصوير
همچون هيستوگرام و/يا تبديل موجک و ...
هاي مناسب از استخراج مي شود. سپس ويژگي
هاي بدست آمده براي آموزش ميان ويژگي
فازي انتخاب -استنتاج تطبيقي عصبي سيستم
مي گردد. اين سيستم استنتاج شبيه سازي شده
گيري و طبقه بندي براي انجام فرايند تصميم
نمونه ها بکار گرفته مي شود.
روش کار -2
مورد مطالعه از پايگاه داده MRIابتدا تصاوير
MRI .دانشگاه هاروارد بارگذاري مي شود
از روش هاي استفاده با تصاوير هاي اينويژگي
هيستوگرام، مختلف پردازش تصاوير همچونسپس از استخراج مي شود. ...موجک و تبديل
موثر که باعث بهينه هايويژگي ميان آنها
دستيابي به بيشترين درصد صحت در تشخيص
اين قسمت .مي گردد اند، انتخابنمونه ها شده
به صورت آزمايش و خطا انجام مي شود. بدين
ترتيب که هر ويژگي بدست آمده از الگوريتم
هاي مختلف براي آموزش به سيستم استنتاج
که صورتي فازی اعمال می شود. در-تطبیقی عصبی
اضافه نمودن ويژگي مورد نظر به مجموعه داده
منجر به افزايش دقت ANFISهاي آموزش
تصميم گيري گرديد، ويژگي مورد نظر انتخاب
ن صورت از مجموعه ويژگي مي شود و در غير اي
هاي مفيد حذف خواهد گرديد. اين فرايند تا
هاي بهينه که منجر به يافتن مجموعه ويژگي
بيشترين دقت تشخيص استنتاج تطبيقي
فازي مي شود ادامه مي يابد.به علت -عصبي
، کليه MATLABافزار توانايي منحصر به فرد نرم
روش هاي پردازش تصوير و تصميم گيري مورد
نياز در محيط اين نرم افزار انجام مي شود.
پردازش تصوير -3
امروزه با گسترش روز افزون روشهاي مختلف
اخذ اطالعات گسسته مانند پويشگر ها و دوربين
هاي ديجيتالي ، پردازش تصوير کاربرد فراواني
يافته است . تصاوير حاصله از اين اطالعات
بوده و در همواره کم و بيش همراه مقداري نويز
مواردي نيز داراي مشکل محو شدگي مرزهاي
نمونه هاي داخل تصوير مي باشدکه موجب
کاهش وضوح تصوير دريافتي مي گردند.
مجموعه عمليات و روش هايي که به منظور
کاهش عيوب و افزايش کيفيت ظاهري تصوير
مورد استفاده قرار مي گيردپردازش تصوير ناميده
.مي شود
783 / 1004
رين کاربردهاي پردازش تصوير در يکي از مهمت
علم پزشکي است در جايي که ما نياز داريم تمام
عکس ها با نهايت شفافيت ووضوح گرفته شوند
زيرا ديدن تمام جزئيات الزم است جراحي هاي
شود. اثر نويز در مي ريز با ايجاد يک سوراخ
صورت ايجاد تغييرات تصادفي در تصوير به
از يک پيکسل به مقادير سطوح خاکستري
.شودپيکسل ديگر ظاهر مي
باینری کردن -3-1
ساده ترين نوع جداسازي، جداسازي عمومي نام
دارد که روش انجام اين جداسازي بر اساس
هيستوگرام تصوير مي باشد.ورودي اين تابع يک
و يا يک تصوير (Gray Scale)تصوير خاکستري
تصوير يک آن خروجي همچنين. باشد مي رنگي
مي باشد. اصول کار اين (Binary)سفيد و سياه
تا 1طور است که ابتدا بازه اي انتخابي بين عدد
انتخاب مي شود. سپس نقاطي از تصوير که 255
و 1انتخابي است مقدار شدت رنگ آن بين بازه
مي گيرند. معموال بازه انتخاب 1بقيه نقاط مقدار
شده، قسمتي از تصوير است که داراي اطالعات
مفيد مي باشد. همچنين هيستوگرام تصوير
کمک بسيار خوبي براي انتخاب درست بازه مي
.باشد
ياصل ير:تصو1شکل
بعد از پردازش ري:تصو2شکل
عملیات مورفولوژیکی -3-2
شود عمليات مورفولوژيکي به عملياتي گفته مي
بر روي مقادير باينري اعمال شده وهدف آن که
در اجزا داخل يک تصوير ايجاد تغيير و يا تصييح
اين عمليات معموال يک مرحله قبل باينري باشد.
منظور از شود.از عمليات پردازش نهايي انجام مي
عمليات پردازش نهايي عملياتي است که در آن
شود. مثال محيط اطالعاتي از تصوير استخراج مي
يا مساحت اجزاء تصوير محاسبه مي گردد.از
نوع از مهم ترين آنها ميان اين عمليات چهار
dilation,erosion,open,close مي باشند.
Dilationاست که در آن اشيا در يک ملياتيع
کنند و يا در اصطالح تصوير باينري رشد مي
شوند.رفتار و اندازه اين روال ضخيم ضخيم تر مي
شدن با توجه به عضو ساختاري کنترل
زار مطلب در نرم افعملياتاينانجام يشود.برامي
عـمـلـگـر .شودستفادهمياimdilatieاز دستور
Erosion براي کوتاه کردن و يا نازك کردن اشيا
رود.مانند آنچه در تصوير باينري به کار مي در
داشتيم رفتار و نحوه عملکرد Dilation مورد
Erosion توسط عضو ساختاري تعيين
شود.اين عمليات در نرم افزار مطلب با مي
.شودانجام مي imerode ده از دستوراستفا
استخراج ويژگي -4
هاي يکي از مراحل بسيار مهم در سيستم
پردازش تصوير انتخاب ويژگي مناسب است. در
784 / 1004
اين مرحله ويژگي هاي مختلف استخراج خواهد
.شد
( ماتريسي GLCM)ماتريس هم رخداد
هست که مي تواند ويژگيهاي آماري را از بافت
در اين روش، ابتدا از پنجره استخراج نمايد.
p(I,j) همسايگي هر پيکسل تصوير، يک ماتريس
توليد ميشود. هاراليک براي اولين بار ماتريس
هم رخداد را معرفي نمود.اين ماتريس بيانگر
روشنايي مفروض احتمال وجود نقاطي با سطح
در فاصله و زاويه معين از يکديگر در تصوير
.است
ريانس، ميانگين آنتروپي تصوير، وا
هيستوگرام شدت ها در تصوير ، محاسبه خواص
GLCM از ماتريس هم اتفاق ساختاري تصوير
شامل کنتراست، کورليشن، انرژي و همگني
از 271، 181، 91، 1تصوير تحت چهار زاويه
جمله ويژگي هاي استخراج شده در اين کار مي
باشند. در زير تعاريف و فرمول هاي برخي از اين
ها آورده شده است:ويژگي
ویژگی میانگین -4-1
تواند يک ويژگي مهم در اين ويژگي مي
اي در تصوير به عنوان تومور يا تشخيص ناحيه
غير تومور باشد، بدليل اينکه در تصاوير مختلف
تشديد مغناطيسي عموما نواحي داراي تومور
داراي شدت روشنايي سطح خاکستري باالتري
ديگر هستند. اين ويژگي هاي نسبت به بافت
شامل ميانگين شدت روشنايي سطح خاکستري
اي است که توسط الگوريتم مبتني بر در ناحيه
شود. که به صورت زير هيستوگرام استخراج مي
.گرددتعريف مي
(1)
طول و عرض ناحيه Mو Nدر رابطه باال
مستطيل شکل خروجي توسط الگوريتم مبتني
نيز ميزان شدت xام است و بر هيستوگر
روشنايي مربوط به هر پيکسل در اين ناحيه
توان يک است. با استفاده از شدت رنگ ناحيه مي
ناحيه مربوط به تومور را تا حد مناسبي از نواحي
غير تومور تمييز داد. بدين صورت که عموما در
براي تشخيص تومور از MRIتصوير برداري
گردد که نواحي مربوط يهايي استفاده ممداليته
به تومور نسبت به بافت اصلي داراي سطح
د.روشنايي باالتري هستن
آنتروپی یا بی نظمی تصویر -4-2
آنتروپي يا بي نظمي تصوير در واقع ميزان
پيچيدگي يک تصوير را مشخص مي کند. در
واقع تصاوير با پيچييدگي هاي بيشتر از انتروپي
ر فرمول محاسبه باالتري برخوردار هستند. در زي
آنتروپي آورده شده است:
(2) Entropy=
4-3- contrast
معياري براي ميزان تنوع واختالف مکاني يک
تصوير است.فرمول مورد استفاده براي وضوح
باشد:تصوير بصورت زير مي(3)
i که ,j هاي پيکسل تصاوير درايه
p(iو ,j .باشدمي ماتريس تصادفي (
4-4- Energy
انرژي يک تصوير در واقع بيان کننده يکنواختي
-تصوير مي باشد و به همين دليل معيار مناسبي
باشد. هر چه براي تخمين آشفتگي تصوير مي
باشد انرژي تصوير قدر يکنواختي تصوير کمتر
يابد.در زير روابط انرزي نيز کاهش مي
وهموزنيتي آورده شده است.
(4)
785 / 1004
(5
کاهش ابعاد -5
هاي بوجود آمده در جمع آوري داده و پيشرفت
هاي اخير قابليتهاي ذخيره سازي در طي دهه
باعث شده در بسياري از علوم با حجم بزرگي از
اطالعات روبرو شويم. تعداد متغيرهايي که براي
ري شود ابعاد داده هر مشاهده بايد اندازه گي
(variable) "متغير"شود. عبارت ناميده مي
شود در حالي که در بيشتر در آمار استفاده مي
علوم کامپيوتر و يادگيري ماشين بيشتر از
"صفت"و يا (feature) "ويژگي"عبارات
(attributeاستفاده مي ).گردد
اي که داراي ابعاد زيادي هستند بسترهاي داده
آورند، چالشهايي که به وجود ميعليرغم فرصت
روش کنند.هاي محاسباتي زيادي را ايجاد مي
-هاي کاهش ابعاد داده به دو دسته تقسيم مي
-2روشهاي مبتني بر استخراج ويژگي-1شوند:
هاي مبتني بر انتخاب ويژگي.روش
ي خطي و غيرخطي هها به دو دستاين روش
توان به شوند. از روشهاي خطي ميتقسيم مي
DFT ،DWT ،PCA وFA اشاره کرد.تکنيک
PCA[19] بهترين روش براي کاهش ابعاد داده
باشد. يعني با حذف ضرايب به صورت خطي مي
اهميت بدست آمده از اين تبديل، اطالعات از کم
دست رفته نسبت به روشهاي ديگر کمتر است.
محدود به کاهش ابعاد داده PCAبته کاربرد ال
هاي ديگري مانند شناسايي شود و در زمينهنمي
-الگو و تشخيص چهره نيز مورد استفاده قرار مي
گيرد.
موثر که بهينه هايويژگي سپس از ميان آنها
باعث دستيابي به بيشترين درصد صحت در
اين .مي گردد اند، انتخابتشخيص نمونه ها شده
ت به صورت آزمايش و خطا انجام مي شود. قسم
بدين ترتيب که هر ويژگي بدست آمده از
الگوريتم هاي مختلف براي آموزش به سيستم
فازي اعمال مي شود. -استنتاج تطبيقي عصبي
که اضافه نمودن ويژگي مورد نظر به در صورتي
منجر به ANFISمجموعه داده هاي آموزش
، ويژگي مورد افزايش دقت تصميم گيري گرديد
نظر انتخاب مي شود و در غير اين صورت از
مجموعه ويژگي هاي مفيد حذف خواهد گرديد.
هاي بهينه اين فرايند تا يافتن مجموعه ويژگي
که منجر به بيشترين دقت تشخيص استنتاج
.فازي مي شود ادامه مي يابد-تطبيقي عصبي
(ANFIS)سیستم استنتاج تطبیقی عصبی فازی
ستنتاج تطبيقي عصبي فازي سيستم ا
ANFIS نوعي شبکه تطبيقي چند اليه،متشکل از
است فازي منطق سيستمهاي توابع و اصلي عناصر مدل اين .شد داده بسط ( 1993توسط يانگ) که
و گرفته بهره تجربي از دانش فازي مدل همانند آموزش عصبي ميتواند شبکه مدل همانند نيز
متشکل از ANFIS سيستم مجموع ببيند. در که است ورودي متغير تعدادي با اليه 5 ساختاري
1 شکل .دارد عضويت تابع چند يا دو هر ورودي
ورودي، دو با ANFISشبکه از معماري نمايشي اول ياليه در .است دو قانون و خروجي يک
بازههاي ورودي به هر تعلق ميزان )ورودي(با .ميشود مشخص کاربر توسط فازي مختلف
وزن يکديگر، در گره هر به ورودي مقادير ضرب در در .ميآيد دست به دوم اليه در (wiها)قانون
مي محاسبه (wi)قوانين وزن نسبي سوم الية اجراي از که قوانين است الية چهارم الية .شود
اين اليه به ورودي سيگنالهاي برروي عملياتشبکه خروجي آخر ياليه.شود مي حاصل
f)است اختالف نمودن حداقل آن فهد که (
1است واقعي خروجي و خروجي شبکه
786 / 1004
-عصبي تطبيقي استنتاج سيستم معماري -3شکل
فازي
داراي دو اليه 6سيستم نشان داده در شکل
با قانون زير است: fو يک خروجي xورودي
I F x i s A1 and y i s B1 , Then f = p1x + q1y +
r1
I F x i s A2 and y i s B2 , Then f = p2x + q2y +
r2
پس روش سيستم، اين در اصلي آموزش روش مربعات کمترين با ترکيب در که خطا است انتشار در .آيدمي دست به ترکيبي هيبريد روش خطا،
خروجي جلو، رو به حرکت هنگام آموزش، دور هر
چهارم محاسبه الية تا عادي صورت به هاگره هاي روش به نتيجه هايپارامتر سپس و شوندمي
.ميشوند محاسبه خطا مربعات کمترين مجموع
با بازگشت در خطا از محاسبه پس ادامه در مقدار ،1 خطا شيب نزولي الگوريتم از استفاده
پارامترها تصحيح و پخش هاورودي سمت به خطا و باشندمي ثابت قوانين ANFISدر . شوندمي
ويتعض توابع شود شکلمي سازيبهينه آنچه متناسب با ANFISمناسب ساختار .است
و ورودي عضويت توابع نوع ورودي، دادههاي م انتخاب عضويت تابع تعداد و خروجي، قوانين
ايجاد و ورودي هايهداد بندي براي طبقه .يشود
شده پيشنهاد هاي متعدديروش فازي قوانين
روش تفکيک دو آنها، ترينمرسوم که است،اين تفاوت .است 3 ياخوشه کتفکي و 2 ايشبکه
.است عضويت تابع تعيين چگونگي در روش
باشد، کم ورودي متغيرهاي که تعداد هنگامي هاداده بنديطبقه اي برايشبکه تفکيک روش
است. مناسب
ارایه نتایج-6
براي بررسي عملکرد سيستم هاي تشخيصي
کامپيوتري بصورت عمده از شاخص هاي
ي شود. ودر پژوهش هاي گوناگوني استفاده م
متعدد بررسي عملکرد اين سيستم ها يکدست و
براساس شاخص ثابت سنجيده نمي شود اما
بطور کلي اين سيستم ها در دسته تقسيم بندي
محسوب مي شوند.اگر تصاوير حاوي تومور را
تصاويري که داراي تومور Positiveبرابر کالس
نظر در negativeنيستند را برابر با کالس
توان نتيجه گرفت که بگيريم. در نتيجه مي
تصاويري را که حاوي تومور است و سيستم
دهد را به تومور را در انها درست تشخيص مي
و همچنين تصاويري که True Positiveعنوان
داراي تومور نيستند را سيستم به درستي
تشخيص ندهد که داراي تومور نيستند را به
در نظر بگيريم false Negativeعنوان
Tp برابر است با تعداد بيماران مبتال به تومور :
که سيستم تشخيص کامپيوتري آنها بصورت
صحيح تومور دار تشخيص داده است.
Tn برابراست با تعداد افراد سالم که سيستم :
تشخيص کامپيوتري آنها بصورت صحيح تومور
دار تشخيص داده است.
Fp يماران مبتال به تومور : برابر است با تعداد ب
که سيستم تشخيص کامپيوتري آنها بصورت
اشتباه تومور دار تشخيص داده است.
Fn برابراست با تعداد افراد سالم که سيستم :
تشخيص کامپيوتري آنها بصورت اشتباه تومور
دار تشخيص داده است.
787 / 1004
بطور کلي با استفاده از مفاهيم باال ، براي تحليل
رهاي مهم استفاده مي شود که عملکرد از معيا
حساسيت ،ويژگي و دقت در طبقه بندي ناميده
:مي شود
شده هيارا تميعملکرد الگور-1جدول
Anfis+pca
%5.79 دقت
%59 صحت
%5.75 حساسیت
نتيجه گيري- -6
هاي مختلف پردازش تصوير در اين مقاله روش
سازي اين وآماده MRIتصاویر ت بهبود جه
تصاوير براي استخراج ويژگي بر روي آنها اعمال
مي گردد. بعد از انجام عمليات کاهش ابعاد
هاي بدست هاي مناسب از ميان ويژگي،ويژگي
آمده براي آموزش سيستم استنتاج تطبيقي
فازي انتخاب مي گردد. براي انجام فرايند -عصبي
بقه بندي نمونه ها سيستم گيري و طتصميم
استنتاج شبيه سازي شده بکار گرفته مي شود.
دهد که روش ارايه .نتايج آزمايشات نشان مي
را %91شده قابليت کارکرد با دقت بيشتر از
دارد .اين روش در اجرا ،سريع ومؤثر در طبقه
بندي مي باشد. اعمال الگوريتم پيشنهادي به
ويژگي قابل هاي انتخابهمراه ساير روش
باشد.ارزيابي مي
مراجع
[1] Mehdi Jafari, Shohreh Kasaei , Automatic Brain Tissue
Detection in MRI Images Using Seeded Region Growing
Segmentation and Neural Network Classification, Australian
Journal of Basic and Applied Sciences, 5(8): 1066-1079, 2011,
ISSN 1991-8178.
[2] İnan Güler, Ayşe Demirhan , Combining m and self-organizing
maps for brain MR image segmentation, Engineering
Applications of Artificial Intelligence , March 2011
[3] Matthew C. Clark,Lawrence O. Hall,Robert Velthuizen,
Automatic Tumor Segmentation Using Knowledge-Based
Techniques, IEEE Transactions On Medical Imaging, Vol. 17,
No. 2, April 1998.
[4] Amir Ehsan Lashkari, A Neural Network based Method for Brain
Abnormality Detection in MR Images Using Gabor Wavelets,
International Journal of Computer Applications ,Volume 4 –
No.7, July 2010.
[5] El-Sayed Ahmed El-Dahshan,Tamer Hosny, Abdel-Badeeh M.
Salem, Hybrid intelligent techniques for MRI brain images
classification, Elsevier, Digital Signal Processing, 2010, pp.
433-441.
[6] Phooi Yee Lau, Frank C.T.Voon, Shinji Ozawa, The detection
and visualization of brain tumors on T2-weighted MRI images
using multi parameter feature blocks, Proceedings of the 2005
IEEE Engineering in Medicine.
[7] Mamata S.Kalas, An Artificial Neural Network for Detection of
Biological Early Brain Cancer, International Journal of
Computer Applications (0975 –8887) ,2010, Volume 1 – No. 6.
[8] Xiao Xuan, Qingmin Liao, Statistical Structure Analysis in MRI
Brain Tumor Segmentation, Fourth International Conference on
Image and Graphics, 2008.
[9] D.Jude hemanthl, D.Selvathi, J.Anitha, Effective Fuzzy
Clustering Algorithm for Abnormal MR Brain Image
Segmentation, IEEE International Advance Computing
Conference, IACC 2009.
[10] Song-yun Xie,Rang Guo,Ning-fei Li,Ge Wang,Hai-tao Zhao,
Brain MRI Processing and Classification Based on
Combination of PCA and SVM , Proceedings of International
Joint Conference on Neural Networks, Atlanta, Georgia, USA,
June 14-19, 2009.
[11] Edward Kim, Tian Shen, Xiaolei Huang, A Parallel Cellular
Automata with Label Priors for Interactive Brain Tumor
788 / 1004
Segmentation, Lehigh University, Department of Computer
Science, 2007.
[12] Robert P. Velthuizen, Lawrence Hallt, Laurence P.Clarke, MRI
Feature Extraction Using Genetic Algorithms,18th Annual
International Conference of the IEEE Engineering in Medicine
and Biology Society, Amsterdam, 1996.
[13] Hua-Long Bu, Guo-Zheng Li, Xue-Qiang Zeng, Feature
Selection and Partial Least Squares Based imension Reduction
for Tumor Classification, IEEE, 1-4244-1509-8/07/2007.
[14] M.Suganth, M. Madheswaran, Mammogram Tumor
Classification using Multimodal Features and Genetic
Algorithm,International, Conference On Control, 2009.
[15] Zhiwen Yua, Hau-San Wongb, Guihua Wena, A modified
support vector machine and its application to image
segmentation, Image and Vision Computing
, January 2011.
[16] A. Ortiza, J.M. Górrizb, J. Ramírezb, D. Salas-Gonzálezb, J.M.
Llamas-Elvirac,Two fully-unsupervised methods for MR brain
image segmentation using SOM-based strategie,Applied Soft
Computing
Volume 13, Issue 5, May 2013.
[17] Le Yanga, Zhongbin Ouyanga, Yong Shi, A Modified
Clustering Method Based on Self-Organizing Maps and Its
Applications, Procedia Computer Science
Volume 9, 2012.
[18] Ze-Xuan Ji ,Quan-Sen, , De-Shen Xia, A modified possibilistic
fuzzy c-means clustering algorithm for bias field estimation and
segmentation of brain MR image, Computerized Medical
Imaging and Graphics, July 2011.
[19] H. Li, T. Jiang, and K. Zhang, "Efficient and Robust Feature
Extraction by Maximum Margin Criterion," IEEE
Trans. Neural Networks, Vol. 17, No. 1, pp. 157–1165, 2006
.
789 / 1004
790 / 1004