Resumen

En este trabajo presentamos un novedoso clasificador basado en la lógica difusa y la transformación wavelet en forma de red neuronal. Este clasificador incluye una capa para predecir la característica numérica correspondiente a las etiquetas o clases. El clasificador presentado se implementa en el diagnóstico de tumores cerebrales. Para la extracción de características, se utiliza un modelo fractal con cuatro funciones gaussianas. La clasificación se realiza sobre 2000 imágenes de resonancia magnética. En cuanto a los resultados, la precisión del DT, KNN, LDA, NB, MLP y SVM es del 93,5%, 87,6%, 61,5%, 57,5%, 68,5% y 43,6%, respectivamente. En base a los resultados, la FWNNet presentada ilustra la mayor precisión del 100% con el método de extracción de características fractales y el diagnóstico de tumores cerebrales basado en imágenes MRI. En base a los resultados, el mejor clasificador para el diagnóstico del tumor cerebral es la arquitectura FWNNet. Sin embargo, el segundo y tercer clasificador de alto rendimiento son el DT y el KNN, respectivamente. Además, el método FWNNet presentado se implementa para la segmentación de tumores cerebrales. En este trabajo, presentamos un nuevo método de segmentación supervisado basado en la capa FWNNet. En el proceso de entrenamiento, las imágenes de entrada con un filtro de barrido deben ser reformadas a vectores que correspondan a imágenes verdaderas reformadas. En el proceso de entrenamiento, realizamos un algoritmo PSO para optimizar el algoritmo de descenso de gradiente. Para ello, se utilizan 80 imágenes de RMN para segmentar el tumor cerebral. En base a los resultados de la curva ROC, se puede estimar que la capa presentada puede segmentar el tumor cerebral con una alta tasa de verdades positivas.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tumor cerebral, imagen de resonancia magnética, diagnóstico de tumores cerebrales, proceso de entrenamiento, resultados, algoritmo de descenso de gradiente, imagen de la verdad del terreno, segmentación del cerebro, métodos fwnnet presentados, métodos de extracción de características
• Keywords:brain tumor, mri image, brain tumor diagnosis, training process, results, gradient descent algorithm, ground truth image, segmentation of brain, presented fwnnet methods, features extraction methods