Resumen

El diagnóstico preciso de las imágenes cerebrales patológicas es importante para el cuidado de los pacientes, especialmente en la fase inicial de la enfermedad. Aunque numerosos estudios han utilizado técnicas de aprendizaje automático para el diagnóstico asistido por ordenador (CAD) del cerebro patológico, los métodos anteriores se enfrentaron a retos en cuanto a la eficacia del diagnóstico debido a las deficiencias en la elección de técnicas de filtrado adecuadas, biomarcadores de neuroimagen y modelos de aprendizaje limitados. Las imágenes de resonancia magnética (RM) son capaces de proporcionar información mejorada sobre los tejidos blandos, por lo que las imágenes de RM se incluyen en el enfoque propuesto. En este estudio, proponemos un nuevo modelo que incluye el filtrado Wiener para la reducción del ruido, la transformada wavelet 2D-discreta (2D-DWT) para la extracción de características, el análisis probabilístico de componentes principales (PPCA) para la reducción de la dimensionalidad, y un clasificador de subespacio aleatorio (RSE) junto con el algoritmo K-próximo (KNN) como clasificador base para clasificar las imágenes cerebrales como patológicas o normales. Los métodos propuestos proporcionan una mejora significativa en los resultados de clasificación en comparación con otros estudios. Sobre la base de una validación cruzada (CV) de 5×5, el método propuesto supera a 21 algoritmos del estado de la técnica en términos de precisión de la clasificación, sensibilidad y especificidad para los cuatro conjuntos de datos utilizados en el estudio.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:modelo de aprendizaje limitado, técnicas de filtrado adecuadas, imágenes de resonancia magnética, análisis de componentes principales, términos de clasificación, transformada wavelet discreta, los métodos propuestos superan, imagen cerebral patológica, estudio, estudio numeroso
• Keywords:limited learning model, proper filtering techniques, magnetic resonance imaging, principal components analysis, terms of classification, discrete wavelet transform, proposed methods outperforms, pathological brain image, study, numerous study