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

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>

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.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

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

Rok uplatnění

2014

Kód důvěrnosti údajů

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

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

—