Hasil dan Pembahasan:

Multiclass magnetic resonance imaging brain tumor classification using artificial intelligence paradigm

Terdapat beberapa uji coba model pada percobaan dalam jurnal ini ,

Parameter pelatihan model DL pada model ini pemilihan parameter pelatihan penting untuk mencapai
kinerja yang unggul. Parameter pelatihan yang sangat mempengaruhi kinerja model adalah protokol
partisi data, epoch, learning rate, dan ukuran batch , Epoch adalah siklus di mana seluruh data pelatihan
digunakan untuk memperbarui bobot jaringan. Performa model meningkat seiring waktu dengan
meningkatnya jumlah epoch. Untuk menghindari waktu pelatihan yang lama, oleh karena itu, kami
menggunakan tingkat epoch moderat (atau siklus) '100', yang sebanding dengan standar industry , .
Simulasi dan platform perangkat keras Platform Matlab2019a diambil , di mana seseorang dapat
menganalisis model DL dan ML secara visual menggunakan aplikasinya. Selanjutnya, semua eksperimen
dilakukan pada mesin CPU Core i3, 2,5 GHz dengan RAM 4 GB. Mengambil AlexNet CNN yang telah
dilatih sebelumnya. Paket ini diunduh dari https:// www.mathworks.com. Uji -t dilakukan melalui
perangkat lunak MEDCALC (Versi 19.1) (Belgia) untuk memeriksa signifikansi hasil.

Hasil protokol eksperimental 1: Perbandingan kinerja DL versus ML dalam paradigma multikelas,

Perbandingan kinerja ML dan DL dari lima dataset digambarkan pada Tabel dan gambar Kinerja
klasifikasi terbaik terlihat antara citra otak normal dan abnormal (tumor) menggunakan model DL
(Alexnet), dan sebagai berikut; akurasi 100%, recall 100%, presisi 100%, F-score 100%, dan AUC 1 (p <
0,0001).

Hasil protokol eksperimental 2: mean DL versus mean ML (menggunakan semua pengklasifikasi) untuk
mengubah K Kinerja rata-rata dari setiap protokol CV pada lima kumpulan data multikelas,
menggunakan ML dan DL, Akurasi rata-rata dihitung melalui matematika untuk rumus yang
digambarkan . Kinerja komparatif dari Protokol CV digambarkan Sebaliknya, kinerja DL jauh lebih baik
daripada kinerja ML rata-rata untuk semua protokol CV. Performa meningkat seiring dengan
meningkatnya nilai K (K2 <

Hasil protokol eksperimental 3: perbandingan kinerja modelbijaksana dalam paradigma multiclass

Terlihat bahwa model DL (CNN) memperoleh kinerja klasifikasi rata-rata tertinggi [akurasi 94,70%, recall
92,99%, presisi 94,44%, F-score 93,69%, dan AUC 0,99 (p < 0,0001)] pada lima set data multiclass dan
tiga protokol CV dibandingkan dengan model ML. SVM memperoleh kinerja rata-rata tertinggi [akurasi
77,29%, recall 80,68%, presisi 76,06%, F-score 77,79%, dan AUC 0,91 (p < 0,0001)] di antara semua
model ML. Kinerja model-bijaksana, dalam urutan yang meningkat: Ensemble < NB < DT < LD < KNN <
SVM < CNN.

Hasil protokol eksperimental 4: Perbandingan kinerja rata-rata system Ditemukan bahwa rata-rata
sistem keseluruhan DL lebih tinggi daripada ML untuk semua parameter. Peningkatan performa (%) DL
over ML adalah sebagai berikut: akurasi 22,81%, recall 21,04%, presisi 20,58%, F-score 21,20% dan AUC
Hasil protokol eksperimental 5: Performa DL (AlexNet) untuk paradigma multikelas untuk berbagai K

Terlihat bahwa model DL memperoleh akurasi tertinggi (100%) untuk C2 (data dua kelas) dan akurasi
terendah (82,14%) untuk C5 (data lima kelas). Keakuratan dataset multiclass, dalam urutan yang
meningkat, adalah sebagai berikut: C5 < C6 < C3 < C4 < C2. Demikian pula, akurasi protokol bijaksana,
dalam urutan meningkat, adalah: K2 < K5 < K10 < TT.

Applied image processing techniques in video laryngoscope for occult tumor detection

Penelitian ini menggunakan 359 sampel terdiagnosis kanker tenggorokan. Laringoskop video
menghasilkan gambar berwarna dan berisi 30 frame per detik. Struktur tiga dimensi wilayah laring
membuat metode perhitungan tunggal sangat sulit untuk mendeteksi semua tumor di wilayah ini
dengan tingkat akurasi yang tinggi , Daerah di mana epiglotis berada tampak lebih cerah dan daerah pita
suara/trakea dan bagian dalam hipofaring tampak lebih gelap di laringoskop video. Kedua wilayah ini
membutuhkan metode perhitungan yang berbeda untuk mencapai akurasi terbaik, Untuk mencapai
lokasi presisi maksimal dengan video laryn goscope dan memverifikasi tumor, penelitian ini pertama-
tama membagi gambar menjadi empat wilayah dengan mengidentifikasi epiglotis sebagai referensi.
Kemudian, setiap wilayah dianalisis menggunakan metode perhitungan khusus untuk menemukan lokasi
tumor.