返回
The supervised learning algorithm for MRI images using the Bayesian method and the kernel-based density function
DOI:10.1007/s42081-025-00326-w.png)
摘要
En 中文
本研究介绍了一种用于MRI图像的新型监督学习算法,在性能上取得了显著提升。首先,利用模糊聚类分析算法对图像进行归一化和分割,以增强不同组别像素间的区分度。在此基础上,研究提取了各图像在不同方向角度和距离下的纹理特征,并估计了各聚类的概率密度函数。随后,计算每类图像的先验概率,并采用贝叶斯方法进行分类。通过整合这些技术进步,开发出一种有效的MRI图像监督学习算法,命名为模糊-贝叶斯分类器(FBC)。FBC可通过数值示例借助MATLAB程序高效实现。在癌症图像数据集的应用中,FBC表现出卓越性能,准确率达到97.21%,F1得分为98.96%,优于包括卷积神经网络变体及迁移学习模型(如ResNet、AlexNet、VGG16和MobileNet)在内的多种分类算法。
Keyword:
Bayesian method
Brain tumor
Classification
Fuzzy clustering algorithm
Segmentation
期刊
J
IF:
1
论文数:
34
被引数:
2
机构
引用论文
Comparing different supervised machine learning algorithms for disease prediction比较用于疾病预测的不同监督机器学习算法

