Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Rough power set tree for feature selection and classification: Case study on MRI brain tumor

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86096560" target="_blank" >RIV/61989100:27240/14:86096560 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-319-01781-5_24" target="_blank" >http://dx.doi.org/10.1007/978-3-319-01781-5_24</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-01781-5_24" target="_blank" >10.1007/978-3-319-01781-5_24</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Rough power set tree for feature selection and classification: Case study on MRI brain tumor

  • Popis výsledku v původním jazyce

    This article presents a feature selection and classification system for 2D brain tumors from Magnetic resonance imaging (MRI) images. The proposed feature selection and classification approach consists of four main phases. Firstly, clustering phase thatapplies the K-means clustering algorithm on 2D brain tumors slices. Secondly, feature extraction phase that extracts the optimum feature subset via using the brightness and circularity ratio. Thirdly, reduct generation phase that uses rough set based onpower set tree algorithm to choose the reduct. Finally, classification phase that applies Multilayer Perceptron Neural Network algorithm on the reduct. Experimental results showed that the proposed classification approach achieved a high recognition ratecompared to other classifiers including Naive Bayes, AD-tree and BF-tree. (C) Springer International Publishing Switzerland 2014.

  • Název v anglickém jazyce

    Rough power set tree for feature selection and classification: Case study on MRI brain tumor

  • Popis výsledku anglicky

    This article presents a feature selection and classification system for 2D brain tumors from Magnetic resonance imaging (MRI) images. The proposed feature selection and classification approach consists of four main phases. Firstly, clustering phase thatapplies the K-means clustering algorithm on 2D brain tumors slices. Secondly, feature extraction phase that extracts the optimum feature subset via using the brightness and circularity ratio. Thirdly, reduct generation phase that uses rough set based onpower set tree algorithm to choose the reduct. Finally, classification phase that applies Multilayer Perceptron Neural Network algorithm on the reduct. Experimental results showed that the proposed classification approach achieved a high recognition ratecompared to other classifiers including Naive Bayes, AD-tree and BF-tree. (C) Springer International Publishing Switzerland 2014.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EE.2.3.20.0073" target="_blank" >EE.2.3.20.0073: Bio-inspirované metody: věda, vzdělávání a transfer znalostí</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2014

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Advances in Intelligent Systems and Computing. Volume 237

  • ISBN

    978-3-319-01780-8

  • ISSN

    2194-5357

  • e-ISSN

  • Počet stran výsledku

    12

  • Strana od-do

    259-270

  • Název nakladatele

    Springer

  • Místo vydání

    Basel

  • Místo konání akce

    Ostrava

  • Datum konání akce

    22. 8. 2013

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku