有限的有丝分裂过程会影响大脑细胞的形态行为。这导致形成的肿瘤细胞在脑区域。这些肿瘤细胞具有不同的形态特征，例如大小和强度。大脑区域中的大多数肿瘤细胞相对于其他周围细胞是低对比度的。通过使用磁共振成像技术扫描大脑区域来识别脑图像中的这些异常。脑磁共振成像图像中肿瘤内区域的检测和分割是一项具有挑战性的任务，因为脑图像中肿瘤细胞与其周围细胞之间的强度差异较小。在目前的医学扫描方法中，磁共振成像扫描程序优于计算机断层扫描，因为它对脑图像中的各种强度组织具有高灵敏度和高对比度。在胶质瘤被归类为神经胶质瘤和成胶质细胞瘤。所述神经胶质瘤肿瘤是高像素强度的细胞和不规则的边界区域。胶质母细胞瘤是低像素强度细胞，可以通过许多常规方法以高精度检测。由于其不规则的边界区域，脑磁共振成像图像中脑胶质瘤胶质瘤的检测和分割是一项具有挑战性的任务。共同地，胶质瘤肿瘤图像基于其严重性水平分类为低级别神经胶质瘤肿瘤和高级神经胶质瘤肿瘤。本文以自动方式提出了基于分类方法的胶质瘤胶质瘤检测和分割方法。本文的主要目的是开发一种有效的系统，以高精度定位肿瘤边界。显示了胶质瘤脑磁共振成像图像，其清楚地表示肿瘤细胞的不规则边界区域。使用卷积神经网络方法将正常脑磁共振成像图像与异常磁共振成像脑图像区分开来。作者用方法在卷积神经网络架构，以提高分类准确度的的胶质瘤的检测系统。作者在数据集的数据子集上获得了的敏感性特异性和准确性。作者在数据集的数据子集上获得了敏感性的特异性和准确性。使用条件随机场检测和分割脑磁共振图像中异常组织区域的技术。作者应用基于形态学的分割方法，以分割脑磁共振图像中的异常肿瘤区域。应用卷积神经网络分类算法对源脑磁共振成像图像进行识别，以识别异常模式。作者在数据集上获得的脑部磁共振成像图像上获得了灵敏度特异性和准确性，作者获得了灵敏度特异性和准确性，可用于脑磁共振成像图像来自数据集。
　　 提出了基于支持向量机分类方法的胶质瘤检测和分割方法的特征。通过支持向量机分类方法训练和测试从正常和异常脑图像中提取的特征。相对于地面实况图像，用基于模糊逻辑的胶质瘤检测和分割使用支持向量机分类方法。最初，使用直方图均衡增强了具有低分辨率格式的源脑磁共振成像图像技术，然后这个增强脑磁共振成像图像被用于识别直方图均衡脑图像中的异常模式。然后，作者提取纹理特征，这些纹理特征被支持向量机分类算法用于区分正常脑图像和异常脑图像。提取的特征用于区分正常的脑磁共振成像图像和胶质瘤脑图像。这些特征被分组为具有来自正常和神经胶质瘤脑磁共振成像图像的特征的特征向量。该特征向量作为其输入被馈送到分类架构，以便区分神经胶质瘤和非神经胶质瘤脑图像。选择分类架构以获得高水平的神经胶质瘤分类准确度。许多常规方法使用支持向量机和神经网络进行神经胶质瘤图像分类。这些传统方法未能对产生低分类精度的低强度神经胶质瘤脑磁共振成像图像进行分类。因此本文使用分类方法，该方法适用于低强度和高强度脑胶质瘤脑磁共振成像图像。本文中使用的分类架构具有单个输入和输出层，具有五个中间隐藏层。输入层中的神经元等于提取的特征向量中的特征数。每个隐藏层具有几个神经元，并且在几次迭代后它们被固定以获得高水平的神经胶质瘤分类准确度。输出层具有单个神经元，其基于从源脑磁共振成像图像提取的特征向量产生二进制低和高。
　　 脑磁共振成像图像中正确分割的肿瘤像素记为真阳性，脑磁共振成像图像中正确分割的非肿瘤像素记为真阴性。脑磁共振成像图像中错误分割的肿瘤像素被标记为假阳性，并且脑磁共振成像图像中错误分割的非肿瘤像素被标记为假阴性。性能评估参数是假阳性和真阳性的确定。参数是度量真阴性和假阴性的确定。当这些参数具有低度量值时所提出的肿瘤分割准确度低，并且当这些参数具有高度量值时所提出的肿瘤分割准确度高。参数假阳性，当这些参数具有低度量值并且当这些参数具有高度量值时所提出的肿瘤分割精度高时，所提出的肿瘤分割准确度低。显示了关于地面实况图像的数据集提出的胶质瘤分割方法。本文提出了一种检测和分割脑磁共振图像胶质瘤的方法。该方法使用基于计算机断层扫描变换的融合技术。通过融合技术将增强图像应用于特征提取过程。使用分类器对提取的纹理特征进行分类。所提出的方法应用于开放存取数据集中的低级和高级胶质瘤肿瘤磁共振图像。从性能评估参数方面将从所提出的方法获得的结果与各种现有技术方法进行比较。