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
—