An Improved Classification System for Brain Tumours Using Wavelet Transform and Neural Network
Un sistema de clasificación mejorado para los tumores cerebrales usando la transformada de ondeletas y la red neuronal
West Indian med. j; 67 (3), 2018
Publication year: 2018
ABSTRACT This paper presents an improved classification system for brain tumours using wavelet transform and neural network. The anisotropic diffusion filter was used for image denoising, and the performance of the oriented rician noise reducing anisotropic diffusion (ORNRAD) filter was validated. The segmentation of the denoised image was carried out by fuzzy c-means clustering. The features were extracted using symlet and coiflet wavelet transforms, and the Levenberg-Marquardt algorithm based neural network was used to classify the magnetic resonance (MR) images. This classification technique of MR images was tested and analysed with existing methods, and its performance was found to be satisfactory with a classification accuracy of 93.24%. The developed system could assist physicians in classifying MR images for better decision-making.
RESUMEN Este artículo presenta un sistema de clasificación mejorado para los tumores de cerebro usando la transformada de ondeletas (transformada wavelet) y la red neuronal. El filtro de difusión anisotrópica fue utilizado para la eliminación del ruido de la imagen, y se validó el funcionamiento del filtro de difusión anisotrópica orientado a reducir el ruido riciano (ORNRAD, siglas en inglés). La segmentación de la imagen 'desruidizada ' (denoised) fue realizada mediante el agrupamiento difuso c-means fuzzy. Las características fueron extraídas usando las transformadas de ondeletas symlet y coiflet, y la red neuronal basada en el algoritmo de Levenberg-Marquardt fue utilizada para clasificar las imágenes de resonancia magnética (RM) imágenes. Esta técnica de clasificación de imágenes de RM fue probada y analizada con métodos existentes, y se halló que su rendimiento era satisfactorio con una precisión de clasificación de 93.24%. El sistema desarrollado podría ayudar a los médicos a clasificar imágenes de RM para una mejor toma de decisiones.