استخراج ویژگی تصاویر MRI مغز با استفاده از ماتریس همرخداد سطح خاکستری و کلاسبندی با SVM

طبقه بندی تصاویر تومورهای مغزی با استفاده از تصاویر MRI یکی از مهمترین کاربردهای پردازش تصویر و هوش مصنوعی درپزشکی است و بسیاری از الگوریتم ها برای این منظور توسعه یافته اند. این مطالعه کارایی الگوریتم ماشین بردار پشتیبان (SVM) رادر طبقه بندی تصاویر MRI مغز با داده های استخراج شده از تصاویر توسط ماتریس همرخداد مورد بررسی قرار می دهد. ماشینهای بردار پشتیبان یک گروه ازالگوریتم های طبقه بندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورداستفاده قرار گرفته اند. دقت طبقه بندی حاصل از SVM با توجه به نوع تابع کرنل متغیر است. در این مطالعه، الگوریتم های SVMبرای طبقه بندی تصاویر MRI مغز با استفاده از تصاویر موجود در پایگاه داده های دانشگاه هاروارد مورد استفاده قرار گرفته است.طبقه بندی با استفاده از روش ماشین های بردار پشتیبان، بصورت خودکار اجرا شده است. همچنین برای بالا بردن دقت الگوریتمکلاسبندی به منظور تشخیص تومور مغزی از ویژگی های آماری و همچنین ویژگی های بافتی کنترل است، همبستگی، انرژی و همگنیاستفاده نموده ایم و استفاده از این ویژگی ها در الگوریتم های کلاسبندی باعث بهبود دقت خواهد شد.