MR brain tumor classification is one of the extensively utilized approaches in medical prognosis. However, analyzing and processing MR brain images is still quite a task for radiologists. To encounter this problem, the evaluation of existing canonical techniques has already been done. There are numeral MR brain tumor classification approaches that are being used for medical diagnosis. In this paper, we have developed an automated computer-aided network for diagnosis of MR brain tumor class, i.e., HGG and LGG. We have proffered a Gabor-modulated convolutional filter-based classifier for brain tumor classification. The inclusion of Gabor filter dynamics endows the competency to deal with spatial and orientational transformations. This mere modification (modulation) of conventional convolutional filters by Gabor filters empowers the proposed architecture to learn relatively smaller feature maps and thereby, decreasing network parameter requirement. We have introduced some skip connections to our modulated CNN architecture without introducing an extra network parameter. Pre-trained networks, i.e., Alex-Net, Google-Net (Inception V1), Res-Net and VGG 19 have been considered for performance evaluation of our proposed Gabor-modulated CNN. Additionally, some popular machine learning classification techniques have also been considered for comparative analysis. Experimental findings demonstrate that our proposed network has limited network parameters to learn; therefore, it is quite easy to train such networks.

中文翻译：

---

使用调制 Gabor 滤波器组进行脑肿瘤分类的计算机辅助诊断网络

MR脑肿瘤分类是医学预后中广泛使用的方法之一。然而，分析和处理 MR 大脑图像对于放射科医生来说仍然是一项艰巨的任务。为了解决这个问题，已经完成了对现有规范技术的评估。有用于医学诊断的数字 MR 脑肿瘤分类方法。在本文中，我们开发了一种自动计算机辅助网络，用于诊断 MR 脑肿瘤类别，即 HGG 和 LGG。我们提供了一种基于 Gabor 调制卷积滤波器的分类器，用于脑肿瘤分类。Gabor 滤波器动力学的包含赋予了处理空间和方向转换的能力。Gabor 滤波器对传统卷积滤波器的这种简单修改（调制）使所提出的架构能够学习相对较小的特征图，从而降低网络参数要求。我们已经在我们的调制 CNN 架构中引入了一些跳跃连接，而没有引入额外的网络参数。预先训练的网络，即 Alex-Net、Google-Net (Inception V1)、Res-Net 和 VGG 19 已被考虑用于我们提出的 Gabor 调制 CNN 的性能评估。此外，一些流行的机器学习分类技术也被考虑用于比较分析。实验结果表明，我们提出的网络需要学习的网络参数有限；因此，训练这样的网络非常容易。降低网络参数要求。我们已经在我们的调制 CNN 架构中引入了一些跳跃连接，而没有引入额外的网络参数。预先训练的网络，即 Alex-Net、Google-Net (Inception V1)、Res-Net 和 VGG 19 已被考虑用于我们提出的 Gabor 调制 CNN 的性能评估。此外，一些流行的机器学习分类技术也被考虑用于比较分析。实验结果表明，我们提出的网络需要学习的网络参数有限；因此，训练这样的网络非常容易。降低网络参数要求。我们在调制的 CNN 架构中引入了一些跳跃连接，而没有引入额外的网络参数。预先训练的网络，即 Alex-Net、Google-Net (Inception V1)、Res-Net 和 VGG 19 已被考虑用于我们提出的 Gabor 调制 CNN 的性能评估。此外，一些流行的机器学习分类技术也被考虑用于比较分析。实验结果表明，我们提出的网络需要学习的网络参数有限；因此，训练这样的网络非常容易。Res-Net 和 VGG 19 已被考虑用于我们提出的 Gabor 调制 CNN 的性能评估。此外，一些流行的机器学习分类技术也被考虑用于比较分析。实验结果表明，我们提出的网络需要学习的网络参数有限；因此，训练这样的网络非常容易。Res-Net 和 VGG 19 已被考虑用于我们提出的 Gabor 调制 CNN 的性能评估。此外，一些流行的机器学习分类技术也被考虑用于比较分析。实验结果表明，我们提出的网络需要学习的网络参数有限；因此，训练这样的网络非常容易。