An uncontrollable growth of abnormal cells in the brain may result in brain tumor. Two different categories of brain tumor are benign and malignant. The doctors need to provide an efficient treatment for tumor affected patients, usually, the treatment process for both the types of tumors are different, as these two types may show diverse properties. Therefore it is necessary to accurately segment and classify the two types of brain tumor from MRI so that the doctors can provide proper treatment to each patient. For such segmentation and classification, a practical approach is introduced in this method. The tumor classification from MRI undergoes 4 different phases they are pre-processing, segmentation, feature extraction, and classification. During pre-processing, the Laplacian of Gaussian (LoG) and Contrast Limited Adaptive Histogram Equalization (CLAHE) is applied. Then, the features from the segmented image is extracted using three different extraction techniques. But sometimes the extracted features may found in large dimension with relevant and irrelevant features. To reduce that, an optimization based feature selection process is included before tumor classification phase. A kernel based Softplus extreme learning machine (KSELM) is used for classification. Finally, the experimental analysis is carried out with BRATS 2014, 2015, 2018, and BRT (Brain tumor) dataset. The performance metrics like accuracy, specificity, PPV, FNR, FPR, DSC, JSI, and sensitivity are determined. Different existing brain tumor classification techniques are compared with this proposed KSELM technique.

大脑中异常细胞的失控生长可能导致脑瘤。脑瘤有两种不同的类型：良性和恶性。医生需要为受肿瘤影响的患者提供有效的治疗方法，通常，这两种肿瘤的治疗过程都不同，因为这两种类型的肿瘤可能表现出不同的特性。因此，有必要通过MRI准确地对两种类型的脑肿瘤进行分类和分类，以便医生为每位患者提供适当的治疗。对于这种分割和分类，在该方法中引入了一种实用的方法。MRI的肿瘤分类经历了四个不同的阶段，即预处理，分割，特征提取和分类。在预处理期间，高斯的拉普拉斯算子（LoG）和对比度受限的自适应直方图均衡化（CLAHE）。然后，使用三种不同的提取技术从分割的图像中提取特征。但是有时提取的特征可能会在具有相关和不相关特征的大范围内找到。为了减少这种情况，在肿瘤分类阶段之前包括了基于优化的特征选择过程。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。使用三种不同的提取技术从分割图像中提取特征。但是有时提取的特征可能会在具有相关和不相关特征的大范围内找到。为了减少这种情况，在肿瘤分类阶段之前包括了基于优化的特征选择过程。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。使用三种不同的提取技术从分割图像中提取特征。但是有时提取的特征可能会在具有相关和不相关特征的大范围内找到。为了减少这种情况，在肿瘤分类阶段之前包括了基于优化的特征选择过程。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。但是有时提取的特征可能会在具有相关和不相关特征的大范围内找到。为了减少这种情况，在肿瘤分类阶段之前包括了基于优化的特征选择过程。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。但是有时提取的特征可能会在具有相关和不相关特征的大范围内找到。为了减少这种情况，在肿瘤分类阶段之前包括了基于优化的特征选择过程。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。基于内核的Softplus极限学习机（KSELM）用于分类。最后，使用BRATS 2014、2015、2018和BRT（脑肿瘤）数据集进行实验分析。确定性能指标，如准确性，特异性，PPV，FNR，FPR，DSC，JSI和灵敏度。将现有的不同脑肿瘤分类技术与该提出的KSELM技术进行比较。