brain tumor calssification using SVMbased on deep learning

Abstract

"الصور هي مستودعات المعرفة المرئية والتي بموجب هذا التعريف تلعب دورًا جادًا في تقديم المعلومات وتحسينها. علاوة على ذلك ، يستخدم العلماء الصور كميزات لتطوير آلات جديدة يمكنها جمع البيانات وتوظيفها لتحسين الأداء البشري. في مجال التصوير الطبي والتشخيص بمساعدة الكمبيوتر ، تتم مناقشة النظريات والمفاهيم المرتبطة بمعالجة الصور والتعلم الآلي وطرق التحسين حيث كانت المهمة الرئيسية الصعبة هي الدقة في استخراج ورم المخ في مراحل مبكرة حتى يمكن اعتماد العلاج المناسب. حيث فرص بقاء المريض المصاب بالورم على قيد الحياة يمكن أن تزداد بشكل كبير إذا تم اكتشاف الورم بدقة في مرحلته المبكرة.

أورام الدماغ الأولية الأكثر شيوعًا هي: • الأورام الدبقية (50.4٪) • الأورام السحائية (22.6٪) • أورام الغدة النخامية (18٪) • أورام غمد الأعصاب (9٪) في الوقت الحاضر ، تُستخدم أنظمة CAD عادةً من أجل التعرف الفعال والصريح على تشوهات الدماغ. و هي بذلك تدعم الأطباء في تفسير الصور الطبية حيث تجمع بين عناصر الذكاء الاصطناعي ورؤية الكمبيوتر مع معالجة الصور الأشعة وعلم الأمراض . في هذا العمل ينصب التركيز الرئيسي في البداية على عملية تعتمد على مجموعة متنوعة من الخطوات:  خطوة ما قبل المعالجة: بناءً على عملية التحسين التي تعتمد على الخوارزميات مثل التدرج البياني للصورة وبعض العمليات الرياضية .  عملية التجزئة: تم تصميم النظام المقترح على بنية U-Net وهي عبارة عن cnn (s) بالكامل ، والتي حققت أفضل تنفيذ في فئتها لتجزئة الصور الطبية تلقائيًا. استخدمنا Unet لاستخراج منطقة الورم الدماغي والتي بدورها يتم استخراج الميزات والخصائص لتمييز أنواع مختلفة من سرطانات الدماغ.  خطوة استخراج الميزات: تُستخدم للحصول على الخصائص المحددة للصورة التي يتم من خلالها يمكن تصنيف الصور بشكل فعال, في هذا العمل استخدمنا تقنيتين : مصفوفة التواجد المشترك ذات المستوى الرمادي (GLCM) التي اقترحها Haralick وآخرون. (1973) ، و هي إحدى التقنيات المستخدمة على نطاق واسع لاستخراج بعض الخصائص من نسيج الصورة ، وتعتمد النقطة الرئيسية لـ GLCM على العلاقة المكانية للبكسل (الزاوية والمسافة) في صور المستوى الرمادي. ثم دمجنا هذه التقنية مع تقنية آخر قائمة على Moment.  عملية التصنيف: حيث استعملنا خورازمية SVM لتصنيف الميزات المستخرجة وتدريب النموذج. من خلال تنفيذ النموذج المقترح . بلغت دقته 96.4% وهذا يعني التصنيف الجيد لمجموعة البيانات المستخدمة التي تحتوي على صور الدماغ بالرنين المغناطيسي والتي تم جمعها سنة 2017 من قبل Jun Cheng . ""Images are the visual knowledge repositories that under these criteria act a serious role due to their variety in rendering and providing the information. Moreover, scientists utilized images as features to evolve new machines that can collect data and employ it for the amelioration of mankind. In the field of medical imaging and computer-aided Diagnostic, almost all of the theories and concepts affiliated to image processing, machine learning, and optimization methods are discussed. The key challenging task was the precision of the extraction of a brain tumor at earlier stages so that proper treatment can be adopted. As a result, the chances of survival of a tumor-infected patient can be increased significantly if the tumor is detected accurately in its early stage. The most common primary brain tumors are: • Gliomas (50.4%) • Meningiomas (22.6%) • Pituitary adenomas (18%) • Nerve sheath tumors (9%) Nowadays, CAD systems were typically utilized for an efficient and explicit recognition of brain anomalies. Computer-aided detection is systems that support doctors in the interpretation of the medical images, CAD is an interdisciplinary technology combining elements of AI and computer vision with image processing of radiological and pathology. In this work the main focus is made on initially a Process which is relied on the Fusion of a variety of methods: - Pre-processing Step: based on Enhancing Process which is relied on algorithms such as Histogram equalization and logarithmic transformation. -Segmentation Process: The proposed system is designed on U-Net architecture that is a fully CNN(s), which have accomplished best in class execution for automatic medical image segmentation. We did use U-net for extracting regions of interest that can extract lesion for discriminating symptoms of brain cancers different types of diseases. - Features Extraction Step: are utilizing for obtaining the specific properties of the image by which a discriminant feature vector is provided and the images can be classified. It plays the role of a booster to the classifiers. Here in this work, we used two algorithms: GLCM: Gray Level Co-Occurrence Matrix (GLCM) proposed by Haralick et al. (1973), is one of the techniques widely employed as technique based texture, the main point of GLCM relies on the spatial relationship of the pixel (angle and distance) in the gray level images. We have merged this technique with other one based shape Moment Hue - Classification Process: we used SVM algorithm to classifier all the extracted features and trying all the SVM kernels to chose the best one. The main utility of this proposed model by using Imaging Techniques, it assists the doctors to observe and track the occurrence and growth of tumor-affected lesions at different stages so that they can detect prognostic diagnosis. Through the proposed model it has performed an accuracy of 96.4, this means a good classification of the utilized dataset which holds Brain MRI images created by Jun Cheng in 2017. "