In this paper, brain tumors are detected and diagnosed using machine learning approaches in brain magnetic resonance imaging (MRI), which has many real time clinical applications. Noise variations in brain images are detected and removed using index filter, which is proposed in this paper. Brain images devoid of noise content are in spatial domain format, which are not suitable for further feature extraction process. Hence, there is a need for converting all the spatial pixels into multi orientation pixels. In this paper, Gabor transform is used for spatial into multi oriented image conversion. The noise filtered images are transformed into multi orientation‐based brain image using Gabor transform method. Then, the hybrid features which are the integration of statistical and texture features (GLCM, gray level co‐occurrence matrix, and LDP, local derivative pattern), are computed from this transformed brain image. These computed features are classified using extreme machine learning (EML) approach, which categorizes the source brain image as normal or abnormal. Then, the segmented tumor regions are diagnosed using co‐active adaptive neuro fuzzy inference system (CANFIS) classifier, which classifies the segmented regions as mild or severe. The proposed tumor detection and diagnosis methods are applied and tested on the brain images which are available as open access dataset. The performance of the proposed brain tumor detection method is analyzed in terms of sensitivity, specificity, and accuracy with classification rate.

中文翻译：

---

使用极限机器学习和CANFIS分类算法检测和诊断脑肿瘤框架

在本文中，使用机器学习方法在脑磁共振成像（MRI）中检测和诊断脑肿瘤，该方法具有许多实时临床应用。本文提出了利用索引滤波器检测并消除大脑图像中的噪声变化的方法。没有噪声内容的脑图像是空间域格式的，不适合进一步的特征提取过程。因此，需要将所有空间像素转换成多方向像素。在本文中，Gabor变换用于空间到多方位图像的转换。使用Gabor变换方法将经过噪声过滤的图像转换为基于多方向的大脑图像。然后，将统计和纹理特征（GLCM，灰度共现矩阵和LDP，局部导数模式）是根据此变换后的大脑图像计算得出的。这些计算出的特征使用极限机器学习（EML）方法进行分类，该方法将源脑图像分类为正常或异常。然后，使用主动自适应神经模糊推理系统（CANFIS）分类器诊断分割出的肿瘤区域，该分类器将分割出的区域分类为轻度或重度。所提出的肿瘤检测和诊断方法在可作为开放获取数据集使用的大脑图像上进行了应用和测试。从敏感性，特异性和分类率的准确性方面分析了提出的脑肿瘤检测方法的性能。将源脑图像分类为正常或异常。然后，使用主动自适应神经模糊推理系统（CANFIS）分类器诊断分割出的肿瘤区域，该分类器将分割出的区域分类为轻度或重度。所提出的肿瘤检测和诊断方法在可作为开放获取数据集使用的大脑图像上进行了应用和测试。从敏感性，特异性和分类率的准确性方面分析了提出的脑肿瘤检测方法的性能。将源脑图像分类为正常或异常。然后，使用主动自适应神经模糊推理系统（CANFIS）分类器诊断分割出的肿瘤区域，该分类器将分割出的区域分类为轻度或重度。所提出的肿瘤检测和诊断方法在可作为开放获取数据集使用的大脑图像上进行了应用和测试。从敏感性，特异性和分类率的准确性方面分析了提出的脑肿瘤检测方法的性能。所提出的肿瘤检测和诊断方法在可作为开放获取数据集使用的大脑图像上进行了应用和测试。从敏感性，特异性和分类率的准确性方面分析了提出的脑肿瘤检测方法的性能。所提出的肿瘤检测和诊断方法在可作为开放获取数据集使用的大脑图像上进行了应用和测试。从敏感性，特异性和分类率的准确性方面分析了提出的脑肿瘤检测方法的性能。