Jaya算法引导程序

抽象性

脑异常是人类社会高发率主要风险因素之源肿瘤早期识别对提供必要的处理程序以拯救病人至关重要Jaya Algorithm和Otsu函数引导法向矿山展示Flair和T2模式记录脑MRI异常段工作分两步从轴词剖面剖面剖面剖面剖面剖面并日志查看二维(2D)MRI切片本文详细评价阈值程序的不同阈值Ts=2,3,4,5)头骨剥离过程前后阈值实践, 和肿瘤提取基础Chan-Vese方法JA高超性在文献中发现的其他显赫启发式方法中得到了确认实施研究结果确认Jaya算法能够显示Jacard-Index、Dice-Covality、灵敏度、特性、精度和精度对BRATS 2015数据集的优值

开工导 言

图像处理程序在治疗数据检验中起关键作用一号,2..脑异常如肿瘤和中风是人类社会影响人民的首要风险因素,而不论其性别和地理位置如何。通常脑异常的严重程度和原因由医学诊所诊断,诊断程序由经验丰富的医生预定义程序包含记录信号 和图像 脑受控制环境记录病人基本信息后,使用人工或自动化程序执行预检程序,评估原因和严酷性预筛选过程后,对病人执行规定的临床评价程序,以便安排进一步的处理程序以控制并治反形3..

正常情况下,脑状况可依据单通道多通道EEG信号评价[使用外部电极记录或用MRI和CT成像方法记录脑像4-7..上项研究确认脑图像中现有信息对分类和定位异常与脑信号比较至关紧要8..需要时,脑信号和图像映射器也可以携带定位脑异常的原因和区域

文献中大量传统和软计算引导法被广泛用于检查MRI和CT录制的脑图片九九,10..MRI可用信息比CT更好,原因是它多式性,因为MRI支持多种模式,如Flair、T1、T1C、T2和DW11-14..Flair和T2模式异常可见性优于其他方法论文用Flair和T2录入的脑图像测试

这项工作用Jaya Algorithm和Otsu函数基于阈值和Chan-Vese分解程序分解肿瘤双片提取二维脑MRI异常段JA性能比文献中存在的其他启发式算法得到确认正确性建议方法还得到确认,计算图像相似性度量法基于比较研究,将挖掘肿瘤段与地面真象相联实验结果确认JA辅助程序标书提高2D脑切分结果

二叉相关前期工程

脑成像文献中讨论并应用大量传统计算和软计算技术提取和评价脑异常早先的作品还显示传统方法可实施单步或双步程序从选择MRI切片提取异常段11,15,16..这些程序大都与模式具体相关,只对少数模式案例有效,如Flair和T2启发式算法辅助二步事件被广泛采用来检查使用MRI记录各种模式的脑异常Palani等2016年实施SC方法软脑组织分块使用基于Otsu阈值双步程序8..查达德(2015年)应用高斯混合模型技术支持脑肿瘤自动特征提取17..Dey等2015年应用遗传算法调间滤波清除脑MRI噪声6..Rajinikanth和Sata九九..Rajinikanth等作品2017年还实施各种启发式评价程序,分离异常区与带各种模式记录脑MRI18号..Rajinikanth等2018年还确认需要图像聚合法提高脑MRI评价的精度13..最近Amin等20172018年)建议一种与众不同的方法以及深学习程序从脑MRI提取异常段4,5..文献中机器学习和深学习法都讨论自身功德脑核磁共振测试程序总需要高效可靠程序来挖掘和评估脑图中的奇片19号..

研究者已经应用大量群/进化方法检验脑MRI九九,13..本文试图用方法实施最近开发的方法Jaya Algorithm文献还确认JA实施与前启发式计划相当简单对比20码-23号..论文还用Chan-Vese法 预处理图片内肿瘤段最后,执行方法的优越性通过对提取肿瘤段和GT图片的合格调查确认九九..

3级材料方法

手稿中此划分提供二步程序的细节 以检验脑MRI异常本节概述前后处理方法以检验二维脑MRI测试图片

图一号显示建议工作所涉及的阶段技术先考虑2DMRI切片作为处理测试图片预处理阶段通过实施多保制机制增强测试图片异常区域,有或无头骨段Rajinikanth和Satata九九..初始阶段结果再由后处理阶段处理,后处理阶段执行选择图像分离法以敲诈异常段性能MRI检验法通过抽取肿瘤段和GT图片的相对分析确定方案最终结果则考虑支持决策和处理规划程序

3.1.预处理阶段

这是分两个阶段进程的第一步执行多位控件进程增强2D测试图片肿瘤段本阶段执行Jaya算法辅助Otsu对不同阈值的级间差处理微信级级Ts=2,3,4,5上选择测试图像后来,图像质量度量计算这些图像发现图像增强最佳阈值

3.1.1JAYA算法

JA新发明演化算法20码及其理论和工作原理可见于[21号-23号..JA优异性/进化性方法,如Firefly算法(FA)、教益基础优化化(TLBO)、粒子swarm-Opti2,12-14,19号,24码-27号..

等一等G(x)_最大值优先目标函数 = 主观量选项 0,1,N级表示人口量N=1.2)和一并D级表示迭代量和维度j=1.2并发

偶发算法G(x)_最优并G(x)_最差表示通过参赛者实现最优最差结果

JA素数公式显示如下: 去哪儿 表示式j大全^线程变量N级^线程参赛者一^线程迭代并 表示更新值使用JA查找所选单级间差值最大化微信. '

关于传统JA及其最新进步的更多细节可见于最近的文献中[28码-35码..

3.1.2大津函数

从1979年起,大津阈值被广泛认为增强传统和医学图像36号..Otsu理论如下:多线程问题(多线程问题)(多线程问题)(多线程问题)(多线程问题)(多线程问题)(多线程问题)(多线程问题)(多线程问题)Ts=2,3,4,5输入图像从H分解成多组₀并 基础选择 Th.类H级₀附加0至t-1类灰度H级_Th-1循环灰度从t至L-1概率分布灰度H级₀HTH_一号可表示为[37号,38号万事通 去哪儿 L=256

平均值级m₀.m_Th-1For 可表达式 平均强度m_T级)全图可表示为 目标函数双级阈值问题可表示为 去哪儿σ₀=ω₀高山市 - 高山市 - .

有关Otsu的更多细节可见[24码,25码,三十九-41号..

3.1.3实现

实现预处理阶段初步JA因子分配如下:代理体积(N)=20,迭代数=2000,维度探索(D)=微信和停止标准

初始时会考虑二维片状脑像片256x256像素[42号..图片与头骨段相关因此,拟议论文按下列条件执行消除头骨程序:(一) 阈值前头骨剥离和(二) 阈值后头骨剥离类似地,为确认初始图片处理期间最佳阈值,选择各种阈值(Ts=2,3,4,5并使用图像质量测量值评估结果优劣性,如RMSE、PSNR、SSIM、NCC、AD和SC2018年)继续, CPU数秒运行记录选择阈值, 以便在图像分析中获取更好的吞吐量 。JA+Otsu初始实施阈值程序后期,其他启发式方法被认为验证JA优于选择启发式程序最后,脑MRI异常段使用Chan-Vese分割程序提取

3.2后处理

本节实施Chan-Vese主动通信实践从预处理MRI[九九..CV基于绑定盒半自动化技术由Chan和Vese应用从测试图片提取信息九九..最近广泛使用CV提取受评药区43号-45码..CV工作相似级定程序,即基于分配迭代量连续校正框边缘内像素分组结束后,轮廓内区域将提取并显示这项工作使用CV从Flair和T2预处理脑MRI方式[15,46号..

3cm3评价

论文的主要目的是提取2D脑MRI肿瘤并计算肿瘤区域特征供进一步研究这项工作考虑两类数据,例如带或带不带地面真象脑MRI图像相似性值,如Jacard-Index(JI)、Dice-Covaliative(DC)、假策略Rate(FPR)和假NegiveRate(FNR)用GT计算MRI2,九九,47..

算术表达式显示如下: 去哪儿IGT系统GT符号化IO系统符号布满区域

并测量值,如敏感度(SE)、特性(SP)、精度(AC)、精度(PR)、平衡度-分类-日期(BCR)和平衡度-误差-Rate数学表达式如下: 去哪儿T级_N级,T级_P级,F级_N级并F级_P级表示真实阴性、真实阳性、假阴性、假阳性

4级结果与讨论

论文本片展示拟议方法的研究结果,使用脑MRI数据库[26x256像素]、Cerbrix数据库(26x256像素)和BRATS 2015(216x160像素)数据库48号..工作使用系统 Matlab7执行AMDC70双核心1GHzCPU和4GB内存论文中执行的工作如下:(一) 选择二维脑MRI切片,(二) 实施头骨剥离程序,(三) JA+Otsu基于阈值增强,(四) 使用CV提取肿瘤,和(五) 计算相似性值验证实施过程

初始时,bonesix数据集选择测试图像考虑评价,图中描述各种模式基础2D片段2.后来拉吉尼康特等人讨论的消除头骨程序2017应用测试图片,结果以图显示3[18号..

图解3(a)并3(c)显示头骨剥去软脑区和图3(b)并3(d)显示脱片头骨段灰度直方图Flair模式图2(a)图中显示4.图4(a)显示直方图与头骨段和图4(b)显示直方图没有头骨从这些图像中可以看出,峰值直方图分布在两个例子中大致相似。证实多阻抗结果对图像案例都大致相似从中可以明显看出,头骨区域不会影响脑MRI多保值输出质量类似结果用于T1和T2模式等其他案例T1模式肿瘤可见度差,因此本文只考虑Flair和T2模式MRIs评价

初始阶段,为了解图像预处理最佳阈值,JA+Otsu方法使用各种阈值实施,如微信=2,3,4,5和等值结果图解5.测试确认头骨剥离任务也可以在阈值任务完成后执行判定MRI最佳阈值时,图像相似值根据原测试图像和阈值图像相对分析计算,结果表描述一号.何时微信=2预处理图像肿瘤段可见度极差临界值提高时,图像质量度量和CPU运行时间增加从这项研究可以看出微信=3提高标值结果并最小化CPU时间比微信=4和5论文选择三级阈值预处理本研究中考虑的测试图片

JA算法阈值性能然后用FA、TLBO、PSO、BFO和BA等其他启发式/进化式方法测试,并合并优化搜索微信=2(轴视图FlairMRI)显示图6.测试结果确认JA平均CPU时间小于选择测试图像BFO和PSO算法FA、TLBO和BA为所选图像提供更好的CPU时间,但JA分配初始参数数小于这些方法测试结果确认JA可预处理脑MRI

JA+Otsu预处理后,CV切片程序实施后从轴视脑MRI提取肿瘤段图7显示带样本测试图片获取后处理段结果图中显示7(b)初始肿瘤区域绑定盒手动分配执行Chan-Vese方法时,绑定盒会向内部区域缩放,以便识别肿瘤段所有可能的像素值缩放过程将在完成迭代后根据分配迭代值执行受CV轮廓约束像素区域提取并显示为肿瘤段图7(c)描述CV和图的最后轮廓7d显示提取肿瘤段类似程序对本文所考虑的其他测试图像实施并校验CV分片性能与文献中存在的主动波段和区增长技术相匹配

图8样本图像显示日志和剖面视图ebrix数据集对比轴视图时,头骨剥取和肿瘤提取在这些视图中相当困难,原因是图像复杂性最近作品确认高效清除头骨程序将有助于克服这一困难九九..头骨消除程序初始应用使用中讨论过程法将软脑段与高强度头骨分离15..后期预处理和后处理方法应用这些图像以提取肿瘤段

图九九显示建议技术结果并采样ebrixMRIs图9(a)显示预处理测试图片和图9(b),9(c)并9d显示抽取肿瘤段并分别使用CV、AC和RGebrix数据集没有地面实战图像因此,为验证拟议方法的性能,将考虑大挑战图像数据集,即BRATS2015数据集

BRATS-2015数据集与脑力和脑积分比较的主要优点如下:(一) 头骨剥离3D脑MRI,从中提取2D切片;(二) 支持模式,如Flair、T1T1C和T2;(三) 由专家成员提供通用GT图片正因如此,大多数研究人员广泛使用BRATS图像测试他们的疾病检验工具11..

图10显示轴视图MRI样本测试图片并录制各种模式和相应的GT本文考虑研究Flair和T2模式图像图11显示基于JA+Otsu的三级阈值结果图11显示切数图11和11描述预处理图片和图11和11显示提取肿瘤区域CV技术

后用提取肿瘤段与GT比较研究确认实施过程的优越性,并计算Flair和T2模式案例基本相似性值和统计值表单2并3显示Flair模式测试图片所获结果T2模式图像实现相似结果表格确认,拟技术有效实现JI、DC、灵敏度、特性、精度和精度等值,如AC和RG研究中考虑的分片程序

整体性能(图像质量平均测量三级阈值)本文所考虑算法12并证实JA优化性能优于本文考虑的其他方法图中12X轴数1至6表示软计算法,如JA、FA、TLBO、PSO、BFO和BA等

提议程序的主要限制如下:它是一种半自动化方法,需要运算符帮助确定预处理任务阈值,并需要运算符帮助实施CV切分时启动绑定盒未来肿瘤分治和评价程序可自动化化,实施最近程序已知深学习方法复杂训练任务比较本文讨论的方法论文结果确认,拟议方法非常高效地从本文所考虑的各种数据集中提取肿瘤段论文还确认,Flair和T2模式MRIs使用良好

未来可实施特征提取分类程序提取肿瘤段,对脑肿瘤分类,如良性肿瘤和恶性肿瘤分类此外,可使用基于神经网络的深学习程序检验被接受脑MRI图像49号-51号其结果可与本工作讨论的机器学习程序比较验证

5级结论

论文综合预处理后处理挖掘脑核磁共振异常段预处理用多位控件增强肿瘤段 基于Jaya算法和Otsu函数和后处理用Chan-Vese分解程序提取肿瘤工作期间脑MRI图像取自Bonesix、Cerbrix和BRATS2015等基准数据集初始执行排泄物识别所选问题最优阈值,预处理结果确认三级阈值为Flair和T2模式脑肿瘤评价提供更好的结果稍后,CV性能与AC和RG程序比较分治结果确认CV提供比AC和RG更好的结果最后,用BRATS-2015脑MRI数据库测试和确认拟议方法的总体性能研究结果证明JA+OTSU和CV程序提供更好的图片优异度度量法、图像相似度度度量法和图像统计度量法供深思数据集使用未来CV分割比照医学成像文献中存在的其他分割程序验证

数据可用性

先前报告脑磁共振数据支持此项研究并存http://www.osirix-viewer.com/datasets/并http://hal.inria.fr/hal-00935640.文内相关位置引用这些前文研究和数据集为[11,42号,48号..

利益冲突

撰文者声明,本论文的发布不存在利益冲突问题。

引用

1. A.皮拉伊南安台市漠视论 SC.冷漠KHJung和RKrishnan,“局部二维数模式:面部识别新特征描述符”,未来生成计算机系统,vol.81页297-3062018Viewat:发布者网站|谷歌学者
2. N.S.M.拉贾拉吉尼康特L.Fernandes和S.C.同情心,“用kapur的克隆和隐藏margov随机场对乳热图像分解”,医学成像和健康信息学杂志,vol.7号8页1825-18292017Viewat:发布者网站|谷歌学者
3. V级BhatejaMMisra和SUrooj,“Unshrp掩码方法基于HVS提高X光学质量:比较评价”,未来生成计算机系统,vol.82页176-189,2018Viewat:发布者网站|谷歌学者
4. J.阿敏市谢里夫亚斯敏和SL.Fernandes使用MRI检测脑肿瘤分类模式识别信2017Viewat:发布者网站|谷歌学者
5. J.阿敏市谢里夫亚斯敏和SL.Fernandes,“大数据检测脑肿瘤分析:深度卷积神经网络”,未来生成计算机系统,vol.87页290-2972018Viewat:发布者网站|谷歌学者
6. N.代伊AAshour S.Beagum et al.使用遗传算法优化局部多元近似互信区间过滤法:应用脑MRI图像去噪映射杂志,vol.一号公元前1页60-84,2015Viewat:发布者网站|谷歌学者
7. S.L.费尔南德斯P.古鲁浦尔市Lin和RJ.Martis使用计算机辅助诊断技术早期肺癌检测新编聚合法医学成像和健康信息学杂志,vol.7号8页1841-1850 2017Viewat:发布者网站|谷歌学者
8. P.T.克利须那省Balasubramanian和C克利须那,“脑区域分解方法集成元休眠多级阈值与Markov随机场当前医学成像评审,vol.12号公元前1页4-122016Viewat:发布者网站|谷歌学者
9. V级拉吉尼康特和SC.同情心,“脑电损耗分解基于社会类优化和fudy-Tsallisenpy”,阿拉伯理工杂志,vol.43号8页4365-43782018Viewat:发布者网站|谷歌学者
10. V级拉吉尼康特C.atacourse,N.戴和RVijayarajan,DWT-PCA图像聚合技术提高脑肿瘤分析分片精度电气工程讲座注解,vol.471页453-4622018Viewat:发布者网站|谷歌学者
11. 门兹,Menze脑膜图象分割基准IEEETM映射,vol.34号10页1993-2024,2015Viewat:发布者网站|谷歌学者
12. N.S.拉贾L.费尔南德斯代伊市C.冷漠和VRajinikanth,“Contrast提高医学MRI评价使用Tsallis增分环境智能计算杂志pp.公元2018Viewat:发布者网站|谷歌学者
13. V级拉吉尼康特代伊市C.冷漠和AS.Ashour,“剖析磁共振映射方法基于Tsallis可变换蛇模型”,未来生成计算机系统,vol.85页160-1722018Viewat:谷歌学者
14. V级拉吉尼康特L.费尔南德斯市Bushan、Harisha和NR.sunder使用tsalis成文分解并分析脑肿瘤电气工程讲座注解,vol.434页313-3212018Viewat:发布者网站|谷歌学者
15. I.T.鲁比尼市瓦桑希拉吉尼康特Rekha和MSangetha,“脑膜MRI分解使用fuzzyentroy和距离规范级集制”,计算信号处理分析,vol.490电气工程讲座注解pp.297-304,Springer新加坡2018Viewat:发布者网站|谷歌学者
16. A.斯里瓦斯塔瓦Bhateja H.Tiwari和SC.ataceptiation算法非局部均值失密MRI信息系统设计和智能应用,vol.340智能系统计算进步pp.831-840,Springer India,新德里,2015Viewat:发布者网站|谷歌学者
17. A.查达德脑肿瘤自动化特征提取 使用保西混合模型磁共振成像生物医学成像国际杂志,vol.2015年条款ID86803111页,2015年Viewat:发布者网站|谷歌学者
18. V级拉吉尼康特S.M.拉贾和KKamalanand使用Tsallis函数和Markov随机场辅助脑MRI剖析肿瘤控制工程应用信息学,vol.19号3页97-1062017Viewat:谷歌学者
19. Y.新雪市自然启发元算法Luniver出版社Frome第二版,2008年
20. R.V级rao,Jaya:简单新优化算法解决受约束和不受约束优化问题国际工业工程计算学报,vol.7号公元前1页2016年19至34Viewat:发布者网站|谷歌学者
21. R.劳和K更多使用自适应Jaya算法设计优化分析能源转换管理,vol.140页24-352017Viewat:发布者网站|谷歌学者
22. R.V级rao和Asaroj自适应多人化Jaya算法优化工程Swarm进化计算,vol.37页公元2017Viewat:发布者网站|谷歌学者
23. R.V级rao和ASaroj使用 Ellistist-Jaya算法对空管热交换器进行约束式经济优化能源,vol.128页785-8002017Viewat:发布者网站|谷歌学者
24. N.S.M.拉贾拉吉尼康特和KLatha,Otsu最优多级图像阈值使用消防飞算法建模模拟工程,vol.2014年条款ID 794574, 17页,2014年Viewat:发布者网站|谷歌学者
25. V级拉吉尼康特和MS.Coceiro使用新目标函数选择多级图像阈值信息系统设计和智能应用,vol.340智能系统计算进步pp.177-186,Springer India,新德里,2015Viewat:发布者网站|谷歌学者
26. Y.新雪和H新石,Bat算法:文献审查应用生物启发计算国际杂志,vol.5号3页141-1492013Viewat:发布者网站|谷歌学者
27. X.S.杨氏H.Gandomi,“Bat算法:全局工程优化新方法”,工程计算,vol.29号5页464-483,2012年Viewat:发布者网站|谷歌学者
28. R.V级rao,Jaya优化算法及其变异Jaya:高级优化算法及其工程应用Springer Cham 2019Viewat:发布者网站|谷歌学者|MathSciNet
29. R.V级劳欧市P.瑞和JBalic使用多目标Jaya算法优化水喷机进程今日素材集,vol.5号2页4930-49382018Viewat:发布者网站|谷歌学者
30. R.V级劳和HS.keesari,Multi-team扰动引导Jaya算法优化风田布局应用软计算,vol.71页800-8152018Viewat:发布者网站|谷歌学者
31. R.V级劳尔ASAROJPOclon J塔勒和D讲义,“单向多向设计优化热交换器使用Jaya算法”,热传输工程,vol.三十九号13-14页1201-12162017Viewat:发布者网站|谷歌学者
32. R.V级rao和Asaroj,“精英自适应多群集算法及其应用”,软计算pp.242018Viewat:发布者网站|谷歌学者
33. R.V级rao和DP.Rai使用准反向Jaya算法优化焊接过程实验理论人工智能杂志,vol.29号5条ID0952813pp1099-1172017Viewat:发布者网站|谷歌学者
34. R.V级劳尔KC.多点LS.Coelho和VC.Mariani使用自适应Jaya算法实现斯特林热引擎多目标优化可再生能源和可持续能源杂志,vol.9号3页0337032017Viewat:发布者网站|谷歌学者
35. R.V级劳和GG.瓦格马尔新优化算法解决复杂约束设计优化问题工程优化,vol.49号公元前1页60-832017Viewat:发布者网站|谷歌学者
36. N.大津从灰度直方图选择阈值法IEE交易系统人机,vol.9号公元前1页62-661979Viewat:发布者网站|谷歌学者
37. K.卡曼南和PM.Javahar,“群情技术比较估计HIV-1病毒负载”,IETE技术评审,vol.32号3页188-195,2015Viewat:发布者网站|谷歌学者
38. K.卡曼南和Pmannar Javahar,“粒子群和细菌放大优化算法对HIV/AIDS病人的治疗规划比较”,生物数学国际杂志,vol.9号2 1650024 10页 2016Viewat:发布者网站|谷歌学者|MathSciNet
39. V级拉吉尼康特S.MadhavaRajaC.冷漠和SL.fernandes,Otsu多线程主动蛇模型分解反热镜像医学成像和健康信息学杂志,vol.7号8页1837-1840 2017Viewat:发布者网站|谷歌学者
40. S.C.atacourse,N.S.M.Raja和V拉吉尼康特,多级图像阈值使用大津和混乱蝙蝠算法神经计算应用,vol.29号12页1285-13072018Viewat:发布者网站|谷歌学者
41. G.H.苏德汉市G.阿里文德高里和VRajinikanth,Optic盘分割基于Otsu阈值和级定2017年计算机通信信息学国际会议记录pp.5Coimbatore2017年1月Viewat:发布者网站|谷歌学者
42. 脑压数据库http://www.osirix-viewer.com/datasets/.Viewat:谷歌学者
43. N.迪维拉吉尼康特S.Ashour和JM.R.S.Tavares社会类优化支持分割和评估皮肤黑素图像对称性,vol.10号22018Viewat:谷歌学者
44. Z级里安市代伊AS.Ashour et al.,“进化神经网络聚类和二维平面压力成像数据集多重学习法”,医学成像和健康信息学杂志,vol.7号3页639-6512017Viewat:发布者网站|谷歌学者
45. K.manickavasagam S.苏台和KKamalanand,“开发薄血片微镜片中各种单片类解码系统”,高级显微镜研究杂志,vol.9号2页86-92,2014年Viewat:发布者网站|谷歌学者
46. A.南浦K.Samay和SR.Edara 软模糊粗糙集成MR脑像分割应用软计算,vol.54页456-4662017Viewat:发布者网站|谷歌学者
47. R.F.莫哈达姆和MCheriet多尺度框架对退化文档图像自适应二分化模式识别,vol.43号6页2186-21982010Viewat:发布者网站|谷歌学者
48. Brats数据库BraTS-MICAIhttp://hal.inria.fr/hal-00935640.Viewat:谷歌学者
49. K.S.manic,IS.Al Naimi,FN.Hasoon和VRajinikanth,Jaya算法辅助评价牙片计算图象分析技术医学技术的进步和临床实践,pp107-128IGIGIGLEGLEAR2019Viewat:发布者网站|谷歌学者
50. Y.王义陈北Yang et al.,“基于深卷动神经网络的小鼠肝粒子微博图像分类化”,应用软计算,vol.74页40-502019Viewat:发布者网站|谷歌学者
51. A.巴克亚市卡曼南德拉吉尼康特S.纳亚克和SKadry,“深入神经网络辅助诊断时频变电程图”,多媒体工具应用pp.172018Viewat:发布者网站|谷歌学者

版权

2018Suresh Chandra Satacept和Venkatesan Rajinkanth版权所有开放访问文章分发创用CC授权允许在任何介质上不受限制使用、分发和复制,只要原创作品正确引用