Published January 1, 2021
| Version v1
Publication
Open
A YOLOv3 Deep Neural Network Model to Detect Brain Tumor in Portable Electromagnetic Imaging System
Creators
- 1. National University of Malaysia
- 2. Qatar University
- 3. Kuwait University
Description
This paper presents the detection of brain tumors through the YOLOv3 deep neural network model in a portable electromagnetic (EM) imaging system. YOLOv3 is a popular object detection model with high accuracy and improved computational speed. Initially, the scattering parameters are collected from the nine-antenna array setup with a tissue-mimicking head phantom, where one antenna acts as a transmitter and the other eight antennas act as receivers. The images are then reconstructed from the post-processed scattering parameters by applying the modified delay-multiply-and-sum algorithm that contains 416×416 pixels. Fifty sample images are collected from the different head regions through the EM imaging system. The images are later augmented to generate a final image data set for training, validation, and testing, where the data set contains 1000 images, including fifty samples with a single and double tumor. 80% of the images are utilized for training the network, whereas 10% are used for validation, and the rest 10% are utilized for testing purposes. The detection performance is investigated with the different image data sets. The achieved detection accuracy and F1 scores are 95.62% and 94.50%, respectively, which ensure better detection accuracy. The training accuracy and validation losses are 96.74% and 9.21%, respectively. The tumor detection with its location in different cases from the testing images is evaluated through YOLOv3, which demonstrates its potential in the portable electromagnetic head imaging system.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعرض هذه الورقة الكشف عن أورام المخ من خلال نموذج الشبكة العصبية العميقة YOLOv3 في نظام تصوير كهرومغناطيسي محمول (EM). YOLOv3 هو نموذج شائع للكشف عن الأجسام بدقة عالية وسرعة حسابية محسنة. في البداية، يتم جمع معلمات التشتت من إعداد مصفوفة الهوائيات التسعة مع شبح رأس محاكي للأنسجة، حيث يعمل أحد الهوائيات كجهاز إرسال وتعمل الهوائيات الثمانية الأخرى كمستقبلات. ثم يتم إعادة بناء الصور من معلمات التشتت بعد المعالجة من خلال تطبيق خوارزمية التأخير والمضاعفة والمحصّلة المعدلة التي تحتوي على 416×416 بكسل. يتم جمع خمسين عينة من الصور من مناطق الرأس المختلفة من خلال نظام التصوير الكهرومغناطيسي. تتم زيادة الصور لاحقًا لإنشاء مجموعة بيانات صور نهائية للتدريب والتحقق من الصحة والاختبار، حيث تحتوي مجموعة البيانات على 1000 صورة، بما في ذلك خمسين عينة ذات ورم واحد ومزدوج. يتم استخدام 80 ٪ من الصور لتدريب الشبكة، في حين يتم استخدام 10 ٪ للتحقق من الصحة، ويتم استخدام 10 ٪ المتبقية لأغراض الاختبار. يتم التحقق من أداء الكشف باستخدام مجموعات بيانات الصور المختلفة. تبلغ دقة الكشف المحققة ودرجات F1 95.62 ٪ و 94.50 ٪ على التوالي، مما يضمن دقة كشف أفضل. تبلغ دقة التدريب وخسائر التحقق من الصحة 96.74 ٪ و 9.21 ٪ على التوالي. يتم تقييم اكتشاف الورم مع موقعه في حالات مختلفة من صور الاختبار من خلال YOLOv3، مما يدل على إمكاناته في نظام تصوير الرأس الكهرومغناطيسي المحمول.Translated Description (French)
Cet article présente la détection des tumeurs cérébrales à travers le modèle de réseau neuronal profond YOLOv3 dans un système d'imagerie électromagnétique (EM) portable. YOLOv3 est un modèle de détection d'objets populaire avec une grande précision et une vitesse de calcul améliorée. Initialement, les paramètres de diffusion sont collectés à partir de la configuration du réseau de neuf antennes avec un fantôme de tête imitant les tissus, où une antenne agit comme un émetteur et les huit autres antennes agissent comme des récepteurs. Les images sont ensuite reconstruites à partir des paramètres de diffusion post-traités en appliquant l'algorithme retard-multiplication-et-somme modifié qui contient 416×416 pixels. Cinquante échantillons d'images sont collectés à partir des différentes régions de la tête via le système d'imagerie EM. Les images sont ensuite augmentées pour générer un ensemble de données d'image final pour la formation, la validation et les tests, où l'ensemble de données contient 1000 images, dont cinquante échantillons avec une seule et double tumeur. 80 % des images sont utilisées pour la formation du réseau, tandis que 10 % sont utilisées pour la validation, et les 10 % restants sont utilisés à des fins de test. La performance de détection est étudiée avec les différents ensembles de données d'image. La précision de détection obtenue et les scores F1 sont de 95,62 % et 94,50 %, respectivement, ce qui garantit une meilleure précision de détection. Les pertes de précision et de validation de l'entraînement sont respectivement de 96,74 % et 9,21 %. La détection de la tumeur avec son emplacement dans différents cas à partir des images de test est évaluée par YOLOv3, ce qui démontre son potentiel dans le système d'imagerie de tête électromagnétique portable.Translated Description (Spanish)
Este artículo presenta la detección de tumores cerebrales a través del modelo de red neuronal profunda YOLOv3 en un sistema portátil de imágenes electromagnéticas (EM). YOLOv3 es un modelo popular de detección de objetos con alta precisión y velocidad de cálculo mejorada. Inicialmente, los parámetros de dispersión se recopilan de la configuración de la matriz de nueve antenas con un fantasma de cabeza que imita el tejido, donde una antena actúa como un transmisor y las otras ocho antenas actúan como receptores. A continuación, las imágenes se reconstruyen a partir de los parámetros de dispersión posprocesados mediante la aplicación del algoritmo de multiplicación y suma de retardo modificado que contiene 416×416 píxeles. Se recogen cincuenta imágenes de muestra de las diferentes regiones de la cabeza a través del sistema de imágenes EM. Las imágenes se aumentan posteriormente para generar un conjunto de datos de imagen final para el entrenamiento, la validación y las pruebas, donde el conjunto de datos contiene 1000 imágenes, incluidas cincuenta muestras con un tumor único y doble. El 80% de las imágenes se utilizan para entrenar la red, mientras que el 10% se utiliza para la validación y el 10% restante se utiliza para las pruebas. El rendimiento de la detección se investiga con los diferentes conjuntos de datos de imagen. La precisión de detección lograda y las puntuaciones F1 son 95.62% y 94.50%, respectivamente, lo que garantiza una mejor precisión de detección. La precisión del entrenamiento y las pérdidas de validación son 96.74% y 9.21%, respectivamente. La detección del tumor con su ubicación en diferentes casos de las imágenes de prueba se evalúa a través de YOLOv3, lo que demuestra su potencial en el sistema portátil de imágenes electromagnéticas de la cabeza.Files
09446998.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:c1af1504caf8abbee93f860aa4634fdc
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج الشبكة العصبية العميقة YOLOv3 للكشف عن ورم الدماغ في نظام التصوير الكهرومغناطيسي المحمول
- Translated title (French)
- Un modèle de réseau neuronal profond YOLOv3 pour détecter une tumeur cérébrale dans un système d'imagerie électromagnétique portable
- Translated title (Spanish)
- Un modelo de red neuronal profunda YOLOv3 para detectar tumores cerebrales en un sistema portátil de imágenes electromagnéticas
Identifiers
- Other
- https://openalex.org/W3169811901
- DOI
- 10.1109/access.2021.3086624
References
- https://openalex.org/W169192408
- https://openalex.org/W1970559338
- https://openalex.org/W1989242527
- https://openalex.org/W1995618743
- https://openalex.org/W2082084701
- https://openalex.org/W2155696049
- https://openalex.org/W2343725583
- https://openalex.org/W2393826264
- https://openalex.org/W2538556778
- https://openalex.org/W2570343428
- https://openalex.org/W2613456556
- https://openalex.org/W2740247857
- https://openalex.org/W2746660502
- https://openalex.org/W2766762759
- https://openalex.org/W2780099243
- https://openalex.org/W2787093111
- https://openalex.org/W2799644156
- https://openalex.org/W2890358670
- https://openalex.org/W2891499525
- https://openalex.org/W2898557599
- https://openalex.org/W2909438491
- https://openalex.org/W2929378357
- https://openalex.org/W2933606628
- https://openalex.org/W2942946817
- https://openalex.org/W2963037989
- https://openalex.org/W2972463306
- https://openalex.org/W2982550332
- https://openalex.org/W3003492770
- https://openalex.org/W3010551734
- https://openalex.org/W3012176190
- https://openalex.org/W3027867949
- https://openalex.org/W3041947126
- https://openalex.org/W3048510989
- https://openalex.org/W3049455115
- https://openalex.org/W3090495827
- https://openalex.org/W3092257709
- https://openalex.org/W3097821486
- https://openalex.org/W3105636206
- https://openalex.org/W3145512124
- https://openalex.org/W3159332788
- https://openalex.org/W3162902182
- https://openalex.org/W4293584584