pathological brain detection by a novel image feature—fractional fourier entropy

الكشف عن الدماغ المرضي باستخدام سمة صورة مبتكرة—إنتروبيا فورييه الكسرية

Clicks: 392
ID: 179759
2015
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #53 of 406 articles by views in European journal of medicinal chemistry

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 406 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Aim: To detect pathological brain conditions early is a core procedure for patients so as to have enough time for treatment. Traditional manual detection is either cumbersome, or expensive, or time-consuming. We aim to offer a system that can automatically identify pathological brain images in this paper. Method: We propose a novel image feature, viz., Fractional Fourier Entropy (FRFE), which is based on the combination of Fractional Fourier Transform (FRFT) and Shannon entropy. Afterwards, the Welch’s t-test (WTT) and Mahalanobis distance (MD) were harnessed to select distinguishing features. Finally, we introduced an advanced classifier: twin support vector machine (TSVM). Results: A 10 × K-fold stratified cross validation test showed that this proposed “FRFE + WTT + TSVM” yielded an accuracy of 100.00%, 100.00%, and 99.57% on datasets that contained 66, 160, and 255 brain images, respectively. Conclusions: The proposed “FRFE + WTT + TSVM” method is superior to 20 state-of-the-art methods.
الهدف: يُعد الكشف المبكر عن الحالات الدماغية المرضية إجراءً جوهرياً للمرضى لإتاحة الوقت الكافي للعلاج. غير أن الكشف اليدوي التقليدي يتسم إما بكونه شاقاً، أو مكلفاً، أو مستهلكاً للوقت؛ لذا نهدف في هذه الورقة البحثية إلى تقديم نظام قادر على التعرف تلقائياً على صور الدماغ المرضية. المنهجية: نقترح سمة صورية جديدة، ألا وهي إنتروبيا فورييه الكسرية (FRFE)، القائمة على الجمع بين تحويل فورييه الكسري (FRFT) وإنتروبيا شانون. عقب ذلك، تم توظيف اختبار "تي" لويلش (WTT) ومسافة ماهالانوبيس (MD) لاختيار السمات المميزة. وأخيراً، قدمنا مصنِّفاً متقدماً يتمثل في آلة المتجهات الداعمة التوأم (TSVM). النتائج: أظهر اختبار التحقق المتقاطع الطبقي بمقدار 10 × K-fold أن النموذج المقترح "FRFE + WTT + TSVM" حقق دقة بلغت 100.00%، و100.00%، و99.57% على مجموعات بيانات تضمنت 66، و160، و255 صورة دماغية، على التوالي. الاستنتاجات: تتفوق طريقة "FRFE + WTT + TSVM" المقترحة على 20 طريقة من أحدث الطرق والأساليب المتطورة.
Reference Key
wang2015entropypathological Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Shuihua Wang, Yudong Zhang, Xiaojun Yang, Ping Sun, Zhengchao Dong, Aijun Liu, Ti-Fei Yuan
Are you one of these authors? Claim your profile
Journal European journal of medicinal chemistry
Year 2015
DOI
10.3390/e17127877
URL
http://www.mdpi.com/1099-4300/17/12/7877
Keywords
Machine learning support vector machine Magnetic resonance imaging shannon entropy

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.