Regions detection has an influence on the better treatment of brain tumors. Existing algorithms in the early detection of tumors are difficult to diagnose reliably. In this paper, we introduced a new robust algorithm using three methods for the classification of brain disease. The first method is Wavelet-Generalized Autoregressive Conditional Heteroscedasticity-K-Nearest Neighbor (W-GARCH-KNN). The Two-Dimensional Discrete Wavelet (2D-DWT) is utilized as the input images. The sub-banded wavelet coefficients are modeled using the GARCH model. The features of the GARCH model are considered as the main property vector. The second method is the Developed Wavelet-GARCH-KNN (D-WGK), which solves the incompatibility of the WGK method for the use of a low pass sub-band. The third method is the Wavelet Local Linear Approximation (LLA)-KNN, which we used for modeling the wavelet sub-bands. The extracted features were applied separately to determine the normal image or brain tumor based on classification methods. The classification was performed for the diagnosis of tumor types. The empirical results showed that the proposed algorithm obtained a high rate of classification and better practices than recently introduced algorithms while requiring a smaller number of classification features. According to the results, the Low-Low sub-bands are not adopted with the GARCH model; therefore, with the use of homomorphic filtering, this limitation is overcome. The results showed that the presented Local Linear (LL) method was better than the GARCH model for modeling wavelet sub-bands.

中文翻译：

---

基于局部线性逼近和广义自回归条件异方差模型的脑疾病分类和诊断的鲁棒算法

区域检测对脑肿瘤的更好治疗有影响。早期检测肿瘤中的现有算法很难可靠地诊断。在本文中，我们介绍了一种使用三种方法对脑疾病进行分类的新型鲁棒算法。第一种方法是小波广义自回归条件异方差-K最近邻（W-GARCH-KNN）。二维离散小波（2D-DWT）被用作输入图像。子带小波系数是使用GARCH模型建模的。GARCH模型的特征被视为主要属性向量。第二种方法是发达的Wavelet-GARCH-KNN（D-WGK），它解决了使用低通子带的WGK方法的不兼容问题。第三种方法是小波局部线性逼近（LLA）-KNN，我们用它来建模小波子带。根据分类方法将提取的特征分别应用以确定正常图像或脑肿瘤。进行分类以诊断肿瘤类型。实验结果表明，与最近引入的算法相比，所提出的算法获得了更高的分类率和更好的实践，同时所需的分类特征数量更少。根据结果​​，GARCH模型不采用低-低子带；因此，通过使用同态滤波，可以克服此限制。结果表明，所提出的局部线性（LL）方法在小波子带建模方面优于GARCH模型。根据分类方法将提取的特征分别应用以确定正常图像或脑肿瘤。进行分类以诊断肿瘤类型。实验结果表明，与最近引入的算法相比，所提出的算法获得了更高的分类率和更好的实践，同时所需的分类特征数量更少。根据结果​​，GARCH模型不采用低-低子带；因此，通过使用同态滤波，可以克服此限制。结果表明，所提出的局部线性（LL）方法在小波子带建模方面优于GARCH模型。基于分类方法，分别应用提取的特征以确定正常图像或脑肿瘤。进行分类以诊断肿瘤类型。实验结果表明，与最近引入的算法相比，所提出的算法获得了更高的分类率和更好的实践，同时所需的分类特征数量更少。根据结果​​，GARCH模型不采用低-低子带；因此，通过使用同态滤波，可以克服此限制。结果表明，所提出的局部线性（LL）方法在小波子带建模方面优于GARCH模型。实验结果表明，与最近引入的算法相比，所提出的算法具有较高的分类率和更好的实践，同时所需的分类特征数量较少。根据结果​​，GARCH模型不采用低-低子带；因此，通过使用同态滤波，可以克服此限制。结果表明，所提出的局部线性（LL）方法在小波子带建模方面优于GARCH模型。实验结果表明，与最近引入的算法相比，所提出的算法获得了更高的分类率和更好的实践，同时所需的分类特征数量更少。根据结果​​，GARCH模型不采用低-低子带；因此，通过使用同态滤波，可以克服此限制。结果表明，所提出的局部线性（LL）方法在小波子带建模方面优于GARCH模型。