基于混合集成分类器的脑肿瘤检测与分类

为了提高患者生存率和治疗效果，脑肿瘤的早期诊断是一项重要任务。人工评估磁共振成像（MRI）图像是一项困难的任务。因此，需要具有更高准确率的肿瘤诊断数字方法。然而，在评估其形状、体积、边界、肿瘤检测、大小、分割和分类方面，这仍然是一项极具挑战性的任务。在本工作中，我们提出一种基于多数投票法的随机森林（RF）、K近邻和决策树（DT）（KNN-RF-DT）混合集成方法。其目的是计算肿瘤区域面积并将脑肿瘤分类为良性和恶性。首先，使用Otsu阈值法进行分割。使用平稳小波变换（SWT）、主成分分析（PCA）和灰度共生矩阵（GLCM）进行特征提取，得到十三个用于分类的特征。分类由基于多数投票法的混合集成分类器（KNN-RF-DT）完成。总体而言，其旨在使用传统分类器而非深度学习来提升性能。传统分类器相对于深度学习算法具有优势，因为它们需要小数据集进行训练，计算时间复杂度低，用户成本低，并且可以被技能较低的人员轻松采用。总体而言，我们提出的方法在2556张图像的数据集上进行了测试，其中按85:15的比例分别用于训练和测试，并取得了97.305%的良好准确率。