Brain Tumor Detection in MRI: Technique and Statistical Validation

Iftekharuddin, Khan M.; Zheng, Jianming; Islam, Mohammad Aminul; Ogg, Robert J.; Lanningham, F.

doi:10.1109/acssc.2006.355112

Cited by 14 publications

(4 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Furthermore, it demonstrated superior performance compared to various classifiers, including the least squares SVM classifier, neural network with back propagation, 123 neural network with radial basis function, 123 AdaBoost classifier, 124 and SVM models. 125 The fuzzy c-means algorithm is a popular segmentation method of brain tissues, known for its robustness and effectiveness in identifying similar brain tissues and localization. It involves minimizing an objective function and provides superior results in both convergence rate and segmentation efficiency.…”

Section: Hybrid Methodsmentioning

confidence: 99%

See 1 more Smart Citation

Machine learning and deep learning for brain tumor MRI image segmentation

Khan,

Guo,

Liu

et al. 2023

Exp Biol Med (Maywood)

View full text Add to dashboard Cite

Brain tumors are often fatal. Therefore, accurate brain tumor image segmentation is critical for the diagnosis, treatment, and monitoring of patients with these tumors. Magnetic resonance imaging (MRI) is a commonly used imaging technique for capturing brain images. Both machine learning and deep learning techniques are popular in analyzing MRI images. This article reviews some commonly used machine learning and deep learning techniques for brain tumor MRI image segmentation. The limitations and advantages of the reviewed machine learning and deep learning methods are discussed. Even though each of these methods has a well-established status in their individual domains, the combination of two or more techniques is currently an emerging trend.

show abstract

Section: Hybrid Methodsmentioning

confidence: 99%

Section: Machine Learning For Brain Tumor Image Segmentationmentioning

confidence: 99%

Machine learning and deep learning for brain tumor MRI image segmentation

Khan,

Guo,

Liu

et al. 2023

Exp Biol Med (Maywood)

View full text Add to dashboard Cite

show abstract

“…Brain tumours' characterisation is one of the earliest texture analysis applications in neurology [220], [297]. In addition to its neuro-oncological applications, texture analysis is a promising quantitative biomarker in general neurology.…”

Section: B Neuroimagingmentioning

confidence: 99%

Texture Analysis and Its Applications in Biomedical Imaging: A Survey

Ghalati

Nunes

Ferreira

et al. 2022

IEEE Rev. Biomed. Eng.

View full text Add to dashboard Cite

Texture analysis describes a variety of image analysis techniques that quantify the variation in intensity and pattern. This paper provides an overview of several texture analysis approaches addressing the rationale supporting them, their advantages, drawbacks, and applications. This survey's emphasis is in collecting and categorising over five decades of active research on texture analysis. Brief descriptions of different approaches are presented along with application examples. From a broad range of texture analysis applications, this survey's final focus is on biomedical image analysis. An up-to-date list of biological tissues and organs in which disorders produce texture changes that may be used to spot disease onset and progression is provided. Finally, the role of texture analysis methods as biomarkers of disease is summarised.

show abstract

“…Porém, os autores mostram que o algoritmo propostoé capaz de apontar a existência de tumor na imagem, sem ser capaz de localizá-lo com precisão.Em(SANTOS et al, 2004) foi quantificada a variabilidade de texturas entre tecidos supostamente sadios distantes do tumor e próximos a este, bem como de tecido tumoral, edema e líquor. Nele averiguou-se a capacidade das técnicas de análise de texturas Já emZHENG;ISLAM, 2006) os autores continuaram o trabalho com texturas fractais, desta vez aplicando-as na segmentação de tumores de cérebro infantis. Foram utilizadas imagens por RM ponderadas em T1, T2 e FLAIR; e redes SOMs, SVMs e redes neurais para classificação.…”

unclassified

Segmentação de tumores de encéfalo em imagens por ressonância magnética baseada em informações texturais.

Alegro¹

View full text Add to dashboard Cite

As imagens por ressonância magnética são indispensáveis no diagnóstico e tratamento de tumores do encéfalo devido ao seu alto grau de detalhamento anatômico. A tarefa de segmentação da região tumoral, nestas, permite uma análise quantitativa mais precisa, viabilizando um melhor acompanhamento da evolução/regressão da doença. Porém, a realização manual de tal trabalhoé cansativa e apresenta diversas desvantagens que a tornam proibitiva, fazendo com que não haja muitos médicos dispostos a realizá-la rotineiramente. Neste trabalhoé proposto um sistema para segmentação automática de tumores do encéfalo. O sistema emprega parâmetros de textura de naturezas diversas, como estatísticos, baseados em modelo, e baseados em transformada, os quais são extraídos de diferentes tipos de imagem comunsà pratica médica (T1, T1 com contraste e FLAIR). As técnicas de análise de textura são capazes de detectar alterações mínimas nos tecidos,às vezes imperceptíveisà visão humana, fato que motiva sua adoção; e podem ser complementadas por informações adicionais como valores de intensidade. O sistema proposto conta com quatro etapas básicas: pré-processamento, extração de características, segmentação e pósprocessamento; e baseia-se no uso de uma máquina de vetor de suporte para classificação dos pixeis. Os resultados obtidos mostram que o sistema apresenta uma taxa média de acerto elevada, comparável aos resultados encontrados em trabalhos relacionados, sendo capaz de localizar e delimitar a região tumoral sem necessidade de interação com o usuário. A quantificação dos resultados foi realizada utilizando-se métricas de artigos encontrados na literatura. Palavras-chave: processamento digital de imagens, imagem por ressonância magnética, textura (avaliação), neoplasias do sistema nervoso

show abstract

Brain Tumor Detection in MRI: Technique and Statistical Validation

Cited by 14 publications

References 12 publications

Machine learning and deep learning for brain tumor MRI image segmentation

Machine learning and deep learning for brain tumor MRI image segmentation

Texture Analysis and Its Applications in Biomedical Imaging: A Survey

Segmentação de tumores de encéfalo em imagens por ressonância magnética baseada em informações texturais.

Contact Info

Product

Resources

About