Tumor is basically a most common disease of brain and the Brain Tumor (BT) treatment has crucial significance. A diagnostic procedure called MRI image that is employed for detecting BT. It is the utmost important and intricate tasks in numerous medical-image applications since it typically involves a huge quantity of data. A lot of methods were applied in BT detection ranging as of image processing to examine the BT; however, the prevailing BT technique is tedious and less effective. So, this paper proposed the detection of the BT in MRI images utilizing optimized ANFIS classifier. Originally, the input MR image is preprocessed utilizing Gaussian Filter (GF) that removes the noise from the inputted image, additionally, the non-brain tissues (NBT) are removed using the technique of skull stripping (SS). After that, segmentation is performed wherein the tumor part is segmented utilizing CBAC technique and edema part is segmented utilizing HLSS segmentation technique. Then, GLCM in addition to GLRLM features are extracted afterward that extorted features is chosen by BFO algorithm. Finally, the selected features inputted to the optimized ANFIS classifier that classifies the tumor class types as Meningioma, Glioma, along with Pituitary. In ANFIS, the optimization procedure is achieved utilizing the PSO. The proposed system’s performance is contrasted to the prevailing systems regarding precision, recall, specificity, sensitivity, accuracy, together with F-Measure.

中文翻译：

---

使用优化的 ANFIS 分类器检测 MRI 图像中的脑肿瘤

肿瘤基本上是一种最常见的脑部疾病，脑肿瘤（BT）的治疗具有至关重要的意义。一种称为 MRI 图像的诊断程序，用于检测 BT。它是众多医学图像应用程序中最重要和最复杂的任务，因为它通常涉及大量数据。BT检测测距从图像处理到检测BT的方法很多；然而，流行的 BT 技术繁琐且效果较差。因此，本文提出了利用优化的 ANFIS 分类器检测 MRI 图像中的 BT。最初，输入 MR 图像使用高斯滤波器 (GF) 进行预处理，该滤波器从输入图像中去除噪声，此外，使用颅骨剥离 (SS) 技术去除非脑组织 (NBT)。在那之后，执行分割，其中肿瘤部分使用CBAC技术分割，水肿部分使用HLSS分割技术分割。然后，GLCM 和 GLRLM 特征被提取出来，然后通过 BFO 算法选择被勒索的特征。最后，将所选特征输入到优化的 ANFIS 分类器中，该分类器将肿瘤类别类型分类为脑膜瘤、神经胶质瘤和垂体。在 ANFIS 中，优化过程是利用 PSO 实现的。所提出的系统的性能与精度、召回率、特异性、灵敏度、准确性以及 F-Measure 的主流系统形成对比。GLCM 除了 GLRLM 特征外，还提取了 GLRLM 特征，然后通过 BFO 算法选择了被勒索的特征。最后，将所选特征输入到优化的 ANFIS 分类器中，该分类器将肿瘤类别类型分类为脑膜瘤、神经胶质瘤和垂体。在 ANFIS 中，优化过程是利用 PSO 实现的。所提出的系统的性能与精度、召回率、特异性、灵敏度、准确性以及 F-Measure 的主流系统形成对比。GLCM 除了 GLRLM 特征外，还提取了 GLRLM 特征，然后通过 BFO 算法选择了被勒索的特征。最后，将所选特征输入到优化的 ANFIS 分类器中，该分类器将肿瘤类别类型分类为脑膜瘤、神经胶质瘤和垂体。在 ANFIS 中，优化过程是利用 PSO 实现的。所提出的系统的性能与精度、召回率、特异性、灵敏度、准确性以及 F-Measure 的主流系统形成对比。