Modified VGG16 for accurate brain tumor detection in MRI imagery

• Autorzy: Krishna, Katuri Rama , Arbaaz, Mohammad , Dhanekula, Surya Naga Chandra , Vallabhaneni, Yagna Mithra

Warianty tytułu

PL

Zmodyfikowany VGG16 do dokładnego wykrywania guzów mózgu w obrazach MRI

• Języki publikacji: EN

Abstrakty

EN

Brain tumors are one of the most severe medical conditions that require immediate attention and treatment. The early detection of brain tumors is of utmost importance, as it can significantly improve the chances of successfultreatment outcomes and increase the patient's quality of life. This study proposes a novel methodology for the early detection of brain tumors in magnetic resonance imaging (MRI) images using a modified VGG16neural network architecture. The dataset comprises both tumor and non-tumor MRI images collected from Kaggle and has preprocessing techniques appliedto optimize the model's performance. The proposed approach delivers an impressive accuracy rate of 99.08%, demonstrating its efficacy in precise brain tumor detection. This new methodology is expected to aid doctors in accurate diagnosis and treatment planning, thereby helpingto save more livesand improve the quality of life of patients suffering from brain tumors.

PL

Guzy mózgu są jednym z najpoważniejszych schorzeń, które wymagają natychmiastowej uwagi i leczenia. Wczesne wykrywanie guzów mózgu ma ogromne znaczenie, ponieważ może znacznie zwiększyć szanse na pomyślne wyniki leczenia i poprawić jakość życia pacjenta. W niniejszym badaniu zaproponowano nowatorską metodologię wczesnego wykrywania guzów mózgu na obrazach rezonansu magnetycznego (MRI) przy użyciu zmodyfikowanej architektury sieci neuronowej VGG16. Zbiór danych obejmuje zarówno obrazy MRI guza, jak i nienowotworowe zebrane z Kaggle i zawiera techniki wstępnego przetwarzania zastosowane w celu optymalizacji wydajności modelu. Zaproponowane podejście zapewnia imponującą dokładność na poziomie 99,08%, wykazując swoją skuteczność w precyzyjnym wykrywaniu guzów mózgu. Oczekuje się, że ta nowa metodologia pomoże lekarzom w dokładnej diagnozie i planowaniu leczenia, pomagając w ten sposób uratować więcej istnień ludzkich i poprawić jakość życia pacjentów cierpiących na guzy mózgu.

Słowa kluczowe

PL

guz mózgu; uczenie głębokie; VGG16; wykrywanie

EN

brain tumor; deep learning; VGG16; detection

• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 3
• Strony: 71--75
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Krishna, Katuri Rama

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering,Vijayawada, India,

autor

Arbaaz, Mohammad

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering,Vijayawada, India,

autor

Dhanekula, Surya Naga Chandra

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering,Vijayawada, India,

autor

Vallabhaneni, Yagna Mithra

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering,Vijayawada, India,

Bibliografia

• [1] Ayomide K. S. et al.: Improving Brain Tumor Segmentation in MRI Images Through Enhanced Convolutional Neural Networks. International Journal of Advanced Computer Science and Applications 14(4), 2023.
• [2] Brain Tumor Classification (MRI). Kaggle (24 May 2020), [www.kaggle.com/datasets/sartajbhuvaji/brain-tumor-classification-mri].
• [3] Gayathri P. et al.: Exploring the Potential of VGG16 Architecture for Accurate Brain Tumor Detection Using Deep Learning. Journal of Computers, Mechanical and Management 2(2), 2023.
• [4] Hemanth G. et al.: Design and Implementing Brain Tumor Detection Using Machine Learning Approach. 3rd International Conference on Trends in Electronics and Informatics –cICOEI. IEEE, 2019.
• [5] Kapoor L., Sanjeev T.: A Survey on Brain Tumor Detection Using Image Processing Techniques. 7th International Conference on Cloud Computing, Data Science & Engineering – Confluence. IEEE, 2017.
• [6] Pillai R. et al.: Brain Tumor Classification Using VGG 16, ResNet50, and Inception V3 Transfer Learning Models. 2nd International Conference for Innovation in Technology – INOCON. IEEE, 2023.
• [7] Saeed M. et al.: A Convolutional Neural Network for Automatic Brain Tumor Detection. Engineering and Technology Innovation 24, 2023, 15–21.
• [8] Sharma K. et al.: Brain Tumor Detection Based on Machine Learning Algorithms. International Journal of Computer Applications 103(1), 2014, 7–11.
• [9] Swarup C. et al.: Brain Tumor Detection Using CNN, AlexNet and GoogLeNet Ensembling Learning Approaches. Electronic Research Archive 31(5), 2023, 2900–2924.
• [10] Younis A. et al.: Brain Tumor Analysis Using Deep Learning and VGG16 Ensembling Learning Approaches. Applied Sciences 12(14), 2022, 7282.

Identyfikatory

DOI

10.35784/iapgos.6035