Resumen

El diagnóstico médico, una técnica utilizada para visualizar las estructuras y funciones internas del cuerpo humano, sirve como herramienta científica para ayudar a los médicos e implica el uso directo del análisis de sistemas de imagen digital. En este escenario, la identificación de tumores cerebrales es compleja en el proceso de diagnóstico. La técnica de imágenes por resonancia magnética (IRM) es la que mejor ayuda al contraste de tejidos para obtener detalles anatómicos y también lleva a cabo mecanismos para investigar el cerebro mediante imágenes funcionales en la predicción de tumores. Teniendo en cuenta el modelo de IRM 3D, el análisis de las características anatómicas y tisulares del tumor cerebral es complejo por naturaleza. Por lo tanto, en este trabajo, la extracción de características se lleva a cabo mediante el cálculo de la matriz de coocurrencia de nivel de gris 3D (3D GLCM) y la matriz de longitud de ejecución (RLM) y la subselección de características para la reducción de la dimensionalidad se realiza con el algoritmo básico de evolución diferencial (DE). La clasificación se realiza utilizando la máquina de aprendizaje extremo (ELM) propuesta, con la técnica del optimizador de búsqueda de grupo refinado (RGSO), para seleccionar los mejores parámetros para una mejor simplificación y entrenamiento del clasificador para la caracterización del tejido cerebral y el tumor como materia blanca (WM), materia gris (GM), líquido cefalorraquídeo (CSF) y tumor. La máquina de aprendizaje extremo supera a la SVM lineal binaria estándar y a la BPN para el clasificador de imágenes médicas y demuestra ser mejor en la clasificación de tejidos sanos y tumorales. La comparación entre los algoritmos demuestra que la media y la desviación estándar producidas por el análisis de extracción de características volumétricas son superiores a los otros enfoques. El trabajo propuesto está diseñado para la clasificación de tumores cerebrales patológicos y para la segmentación de imágenes tumorales 3D por resonancia magnética. Los enfoques propuestos se aplican a conjuntos de datos en tiempo real y a conjuntos de datos de referencia tomados de repositorios de conjuntos de datos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:técnica, segmentación de imágenes tumorales de resonancia magnética 3d, análisis de sistemas de imagen digital, clasificación de tumores cerebrales patológicos, svm lineal binario estándar, análisis de extracción de características volumétricas, modelo de resonancia magnética 3d, evolución diferencial básica, máquina de aprendizaje extremo
• Keywords:technique, 3d mri tumor image segmentation, digital imaging system analysis, pathological brain tumor classification, standard binary linear svm, volumetric feature extraction analysis, 3d mri model, magnetic resonance imaging, basic differential evolution, extreme learning machine