I
nte
rna
t
io
na
l J
o
urna
l o
f
Rec
o
nfig
ura
ble a
nd
E
m
be
dd
e
d Sy
s
t
e
m
s
(
I
J
R
E
S)
Vo
l.
15
,
No
.
1
,
Ma
r
ch
20
26
,
p
p
.
2
1
4
~
2
2
3
I
SS
N:
2089
-
4864
,
DOI
:
1
0
.
1
1
5
9
1
/i
j
r
es
.
v
1
5
.
i
1
.
pp
2
1
4
-
223
214
J
o
ur
na
l ho
m
ep
a
g
e
:
h
ttp
:
//ij
r
es.ia
esco
r
e.
co
m
Adv
a
nced MRI
-
b
a
sed deep lear
nin
g
f
o
r brain
tu
m
o
r
s
:
a
f
iv
e
-
y
ea
r re
v
iew
of on
co
lo
g
y
–
r
a
dio
lo
g
y
–
AI
s
y
nerg
y
Sh
ris
ha
M
a
dd
ur
Ra
m
esh
, C
hitr
a
pa
di
G
ur
ura
j
D
e
p
a
r
t
me
n
t
o
f
El
e
c
t
r
o
n
i
c
s
a
n
d
C
o
mm
u
n
i
c
a
t
i
o
n
,
B
.
M
.
S
.
C
o
l
l
e
g
e
o
f
En
g
i
n
e
e
r
i
n
g
,
V
i
sv
e
sv
a
r
a
y
a
Te
c
h
n
o
l
o
g
i
c
a
l
U
n
i
v
e
r
si
t
y
,
B
e
l
a
g
a
v
i
,
I
n
d
i
a
Art
icle
I
nfo
AB
ST
RAC
T
A
r
ticle
his
to
r
y:
R
ec
eiv
ed
Dec
1
0
,
2
0
2
4
R
ev
i
s
ed
Oct
2
7
,
2
0
2
5
A
cc
ep
ted
J
a
n
26
,
2
0
2
6
Ra
p
id
a
d
v
a
n
c
e
m
e
n
ts
in
c
o
m
p
u
ter
v
isio
n
a
n
d
m
a
c
h
in
e
lea
rn
in
g
h
a
v
e
sig
n
if
ica
n
tl
y
re
v
o
lu
ti
o
n
ize
d
m
e
d
i
c
a
l
i
m
a
g
in
g
o
n
e
su
c
h
a
p
p
li
c
a
ti
o
n
is
b
ra
in
tu
m
o
r
d
e
tec
ti
o
n
a
n
d
c
las
sif
ic
a
ti
o
n
.
De
e
p
lea
rn
in
g
h
a
s
e
m
e
rg
e
d
a
s
a
p
o
w
e
rf
u
l
to
o
l
,
w
h
ich
o
f
f
e
rs
e
x
c
e
p
ti
o
n
a
l
c
a
p
a
b
il
it
ies
in
h
a
n
d
li
n
g
c
o
m
p
lex
m
e
d
ica
l
d
a
tas
e
ts.
Ho
w
e
v
e
r,
th
e
c
u
rre
n
t
s
y
ste
m
s
stil
l
f
a
c
e
c
h
a
ll
e
n
g
e
s
in
a
c
h
iev
in
g
o
p
ti
m
a
l
a
c
c
u
ra
c
y
,
ro
b
u
st
n
e
ss
a
n
d
c
li
n
ica
l
i
n
terp
re
tab
i
l
it
y
.
Th
is
stu
d
y
p
re
se
n
ts
a
c
o
m
p
re
h
e
n
siv
e
su
rv
e
y
o
f
b
ra
in
t
u
m
o
r
se
g
m
e
n
tatio
n
,
c
las
sif
ica
ti
o
n
a
n
d
d
e
tec
ti
o
n
tec
h
n
iq
u
e
s
u
sin
g
d
e
e
p
lea
rn
in
g
,
m
e
tah
e
u
risti
c
a
n
d
h
y
b
rid
a
p
p
ro
a
c
h
e
s.
T
h
e
d
e
tailed
q
u
a
n
ti
tativ
e
e
v
a
lu
a
ti
o
n
s
o
f
c
o
n
v
e
n
ti
o
n
a
l
a
n
d
e
m
e
rg
in
g
m
e
th
o
d
s
a
re
c
o
n
d
u
c
te
d
b
y
e
x
a
m
in
in
g
k
e
y
p
e
rf
o
r
m
a
n
c
e
m
e
tri
c
s,
d
a
tas
e
t
c
h
a
ra
c
teristics
,
stre
n
g
th
s
,
a
n
d
li
m
it
a
ti
o
n
s.
T
h
is
re
v
iew
h
ig
h
li
g
h
ts
re
c
e
n
t
b
re
a
k
th
ro
u
g
h
s
b
y
a
n
a
ly
z
in
g
sta
te
-
of
-
th
e
-
a
rt
tec
h
n
iq
u
e
s
f
ro
m
th
e
p
a
st
f
iv
e
y
e
a
r
s,
re
se
a
rc
h
g
a
p
s
a
n
d
p
o
ten
ti
a
l
d
irec
ti
o
n
s
f
o
r
f
u
tu
re
a
d
v
a
n
c
e
m
e
n
ts.
T
h
e
se
f
in
d
in
g
s
p
ro
v
id
e
in
sig
h
t
s
in
to
n
o
v
e
l
a
rc
h
it
e
c
tu
re
s,
o
p
t
im
iz
a
ti
o
n
stra
teg
ies
a
n
d
c
li
n
ica
l
a
p
p
li
c
a
ti
o
n
s
w
h
ich
u
lt
im
a
tel
y
g
u
id
e
re
se
a
rc
h
e
rs
to
w
a
rd
s
m
o
re
ro
b
u
st,
i
n
terp
re
tab
le
a
n
d
c
li
n
ica
ll
y
im
p
a
c
t
f
u
l
a
rti
f
icia
l
in
telli
g
e
n
c
e
(
AI
)
-
d
riv
e
n
so
lu
ti
o
n
s
f
o
r
b
ra
in
t
u
m
o
r
a
n
a
ly
sis.
K
ey
w
o
r
d
s
:
B
r
ain
tu
m
o
r
C
o
n
v
o
lu
tio
n
al
n
e
u
r
al
n
e
t
w
o
r
k
s
E
n
s
e
m
b
le
Hu
n
g
er
g
a
m
e
s
s
ea
r
ch
Ma
g
n
e
tic
r
eso
n
a
n
ce
i
m
ag
i
n
g
i
m
a
g
e
P
ar
ticle
s
w
ar
m
o
p
ti
m
izatio
n
T
h
is i
s
a
n
o
p
e
n
a
c
c
e
ss
a
rticle
u
n
d
e
r th
e
CC B
Y
-
SA
li
c
e
n
se
.
C
o
r
r
e
s
p
o
nd
ing
A
uth
o
r
:
C
h
i
tr
ap
ad
i G
u
r
u
r
aj
Dep
ar
t
m
en
t o
f
E
lectr
o
n
ics a
n
d
C
o
m
m
u
n
icat
io
n
,
B
.
M.
S.
C
o
lleg
e
o
f
E
n
g
i
n
ee
r
in
g
Vis
v
e
s
v
ar
a
y
a
T
ec
h
n
o
lo
g
ical
Un
i
v
er
s
it
y
B
elag
av
i,
I
n
d
ia
E
m
ail
:
g
u
r
u
r
aj
.
tce@b
m
s
ce
.
ac
.
in
1.
I
NT
RO
D
UCT
I
O
N
B
r
ain
tu
m
o
r
s
r
ep
r
esen
t
a
f
o
r
m
id
ab
le
cli
n
ical
c
h
alle
n
g
e
d
u
e
to
t
h
eir
b
io
lo
g
ical
c
o
m
p
l
ex
it
y
,
h
i
g
h
m
o
r
ta
lit
y
r
ate
s
an
d
t
h
e
v
ar
iab
ilit
y
i
n
s
y
m
p
to
m
s
an
d
tr
ea
t
m
en
t
r
esp
o
n
s
e
s
.
T
h
ese
tu
m
o
r
s
w
h
et
h
er
p
r
i
m
ar
y
i
n
o
r
ig
in
o
r
m
etastat
ic
d
if
f
er
w
id
el
y
i
n
t
h
eir
h
is
to
lo
g
y
,
lo
ca
tio
n
,
an
d
ag
g
r
ess
iv
e
n
es
s
,
m
ak
i
n
g
ac
cu
r
ate
d
iag
n
o
s
i
s
an
d
class
i
f
icatio
n
cr
u
cia
l
f
o
r
ef
f
ec
ti
v
e
in
ter
v
en
t
io
n
.
Am
o
n
g
t
h
ese,
ar
tif
icial
i
n
telli
g
e
n
ce
(
A
I
)
s
p
ec
if
icall
y
ap
p
r
o
ac
h
es
lik
e
co
n
v
o
lu
tio
n
al
n
eu
r
al
n
et
w
o
r
k
s
(
C
NNs)
h
as
d
em
o
n
s
tr
ated
u
n
p
r
ec
ed
en
ted
p
o
ten
tial
in
au
to
m
at
in
g
tu
m
o
r
d
etec
tio
n
,
s
eg
m
e
n
tatio
n
a
n
d
class
i
f
icati
o
n
.
W
o
r
ld
Hea
lth
Or
g
an
izati
o
n
(
W
HO)
class
if
ie
s
b
r
ain
tu
m
o
r
s
b
ased
o
n
th
eir
h
is
to
lo
g
ical
f
ea
tu
r
e
s
in
to
f
o
u
r
g
r
ad
es
(
Gr
ad
e
I
to
Gr
a
d
e
I
V)
,
r
ef
lectin
g
t
h
eir
m
ali
g
n
a
n
c
y
o
r
b
en
i
g
n
it
y
.
W
h
en
d
etec
ti
n
g
b
r
ain
t
u
m
o
r
s
,
m
ag
n
etic
r
eso
n
an
ce
i
m
a
g
in
g
(
MRI
)
is
u
s
ed
to
id
en
ti
f
y
s
tr
u
ctu
r
al
ab
n
o
r
m
a
liti
es
a
n
d
p
at
h
o
lo
g
ies
th
a
t
u
n
d
er
p
in
n
eu
r
o
lo
g
ical
co
n
d
itio
n
s
.
Me
d
ical
p
r
o
f
ess
io
n
al
s
,
s
u
c
h
as
n
eu
r
o
lo
g
is
t
s
,
r
el
y
o
n
th
e
s
e
i
m
ag
e
s
to
m
ak
e
d
ia
g
n
o
s
e
s
an
d
r
ec
o
m
m
e
n
d
tr
ea
t
m
e
n
t
p
lan
s
.
T
h
e
in
te
g
r
atio
n
o
f
s
e
m
i
-
a
u
t
o
m
a
tic
a
n
d
au
to
m
atic
m
e
th
o
d
s
h
as
in
cr
ea
s
in
g
l
y
s
u
p
p
o
r
ted
m
ed
ical
i
m
a
g
e
p
r
o
ce
s
s
in
g
f
o
r
en
h
an
ce
d
d
ia
g
n
o
s
tic
ac
c
u
r
ac
y
.
T
h
is
m
an
u
s
cr
ip
t
is
a
r
ev
ie
w
ar
ticle
t
h
at
s
y
n
t
h
esize
s
r
ec
en
t
ad
v
an
ce
s
i
n
b
r
ain
tu
m
o
r
s
eg
m
en
tatio
n
an
d
class
i
f
ica
tio
n
f
r
o
m
MRI
i
m
a
g
es,
w
it
h
a
f
o
cu
s
o
n
d
ee
p
lear
n
in
g
,
h
y
b
r
id
m
ac
h
i
n
e
lear
n
i
n
g
a
n
d
o
p
tim
izatio
n
-
b
ased
ap
p
r
o
ac
h
es.
T
h
e
r
ev
ie
w
co
v
er
s
s
tu
d
ie
s
p
u
b
lis
h
ed
b
et
w
ee
n
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
d
va
n
ce
d
MRI
-
b
a
s
ed
d
ee
p
le
a
r
n
in
g
fo
r
b
r
a
in
tu
mo
r
s
:
a
five
-
ye
a
r
r
ev
iew
o
f
…
(
S
h
r
i
s
h
a
Ma
d
d
u
r
R
a
mesh
)
215
2
0
2
0
an
d
2
0
2
4
,
s
elec
ted
f
o
r
th
eir
r
elev
an
ce
to
m
ed
ical
i
m
ag
e
a
n
al
y
s
is
,
m
e
th
o
d
o
lo
g
ic
al
in
n
o
v
a
tio
n
,
an
d
re
p
o
r
ted
p
er
f
o
r
m
an
ce
m
etr
ics
.
T
ab
le
1
s
h
o
w
s
r
ec
en
t
ad
v
a
n
ce
m
en
t
in
tech
n
iq
u
e
s
o
r
ar
ch
itectu
r
e
alo
n
g
w
it
h
r
esu
lt
s
f
o
r
class
if
y
i
n
g
b
r
ain
tu
m
o
r
s
.
T
h
e
co
n
tr
ib
u
tio
n
,
tr
ai
n
i
n
g
al
g
o
r
ith
m
,
d
ataset
s
,
an
d
li
m
itatio
n
s
o
f
t
h
e
m
o
s
t
u
s
ed
s
e
g
m
en
tat
io
n
an
d
cla
s
s
i
f
i
ca
tio
n
m
et
h
o
d
s
ar
e
d
etailed
in
T
ab
le
2
.
Yo
u
n
i
s
et
a
l
.
[
1
]
,
an
au
to
m
a
ted
b
r
ain
tu
m
o
r
d
etec
tio
n
an
d
class
i
f
icatio
n
ap
p
r
o
ac
h
w
as
p
r
o
p
o
s
ed
lev
er
ag
i
n
g
a
f
a
s
ter
C
N
N
f
r
a
m
e
w
o
r
k
b
u
ilt
o
n
t
h
e
VGG
-
1
6
ar
ch
itectu
r
e
f
o
r
f
ea
tu
r
e
e
x
t
r
ac
tio
n
.
T
h
e
s
tu
d
y
e
m
p
lo
y
ed
an
en
s
e
m
b
le
lear
n
i
n
g
s
tr
ate
g
y
,
co
m
b
in
i
n
g
m
u
ltip
le
m
o
d
els
a
n
d
tr
ain
in
g
s
et
s
to
en
h
a
n
ce
p
r
ed
ictiv
e
p
er
f
o
r
m
a
n
ce
.
I
n
te
g
r
ati
n
g
d
ee
p
lear
n
in
g
a
n
d
tr
an
s
f
er
lear
n
in
g
tech
n
iq
u
es,
t
h
e
C
NN
-
b
ased
m
o
d
el
o
u
tp
er
f
o
r
m
ed
tr
ad
itio
n
al
m
ac
h
i
n
e
lear
n
i
n
g
ap
p
r
o
ac
h
es.
R
an
j
b
ar
za
d
eh
et
a
l
.
[
2
]
,
in
tr
o
d
u
c
ed
a
c
ascad
e
C
NN
(
C
‑
C
o
n
v
Net)
,
d
esig
n
ed
as
a
s
i
m
p
le
y
et
ef
f
ic
ien
t
m
o
d
el
f
o
r
b
r
ain
tu
m
o
r
class
if
i
ca
tio
n
.
T
h
e
ar
ch
itectu
r
e
co
m
b
i
n
es
lo
ca
l
an
d
g
lo
b
al
f
ea
tu
r
es
t
h
r
o
u
g
h
t
w
o
d
is
ti
n
ct
p
r
o
ce
s
s
in
g
r
o
u
tes.
A
d
is
ta
n
ce
‑
w
i
s
e
atte
n
tio
n
(
DW
A
)
m
eth
o
d
o
lo
g
y
w
as
i
n
co
r
p
o
r
ated
,
w
h
i
ch
ac
co
u
n
t
s
f
o
r
th
e
s
p
atial
in
f
lu
e
n
ce
o
f
th
e
t
u
m
o
r
’
s
ce
n
ter
an
d
th
e
s
u
r
r
o
u
n
d
i
n
g
b
r
ain
r
eg
io
n
s
.
B
y
e
m
p
lo
y
i
n
g
p
ar
allel
co
n
v
o
lu
tio
n
al
la
y
er
s
,
th
e
DW
A
m
ec
h
a
n
is
m
ef
f
ec
t
iv
e
l
y
m
i
tig
a
tes
o
v
er
f
itti
n
g
a
n
d
en
h
an
ce
s
m
o
d
el
g
en
er
aliza
tio
n
.
Sh
e
h
ab
et
a
l
.
[
3
]
,
p
r
esen
ted
an
en
s
e
m
b
le
ap
p
r
o
ac
h
co
m
b
in
in
g
a
3
D
U
-
Ne
t
an
d
a
C
N
N
f
o
r
b
r
ain
tu
m
o
r
s
e
g
m
en
tatio
n
.
T
h
e
m
o
d
el
d
ep
lo
y
ed
leak
y
R
e
L
U
s
an
i
n
s
ta
n
ce
n
o
r
m
aliza
tio
n
to
i
m
p
r
o
v
e
g
en
er
al
izatio
n
.
L
i
et
a
l
.
[
4
]
,
a
r
ad
io
m
ics
f
r
a
m
e
w
o
r
k
w
a
s
p
r
o
p
o
s
ed
th
at
em
p
h
asize
s
f
ea
t
u
r
e
s
elec
tio
n
(
FS
)
to
r
ed
u
ce
r
ed
u
n
d
an
c
y
an
d
i
m
p
r
o
v
e
ac
c
u
r
ac
y
.
T
o
ad
d
r
ess
th
e
ab
s
en
ce
o
f
a
u
n
i
v
er
s
al
F
S
m
et
h
o
d
,
th
e
y
i
n
tr
o
d
u
ce
d
tr
ip
le‑
f
ac
to
r
ca
s
ca
d
ed
s
elec
tio
n
(
T
FC
S),
w
h
ich
ap
p
lies
m
u
t
u
al
i
n
f
o
r
m
atio
n
to
r
etai
n
h
ig
h
l
y
r
ele
v
an
t
f
ea
tu
r
es
w
h
ile
m
i
n
i
m
izi
n
g
o
v
er
lap
.
Diao
et
a
l
.
[
5
]
,
d
ev
elo
p
e
d
a
j
o
in
t
lear
n
in
g
f
r
a
m
e
w
o
r
k
t
h
at
tr
an
s
f
er
s
k
n
o
w
led
g
e
f
r
o
m
co
m
p
lete
to
s
in
g
le‑
m
o
d
alit
y
in
p
u
ts
,
e
n
ab
l
in
g
f
ea
tu
r
e
r
ec
o
n
s
tr
u
c
tio
n
a
n
d
en
h
a
n
ce
m
e
n
t.
T
h
is
ap
p
r
o
ac
h
w
a
s
u
s
e
f
u
l
i
n
s
ce
n
ar
io
s
w
it
h
m
is
s
i
n
g
i
m
a
g
i
n
g
m
o
d
alitie
s
.
Na
y
a
k
et
a
l
.
[
6
]
,
p
r
o
p
o
s
ed
a
b
r
ain
tu
m
o
r
d
etec
tio
n
m
o
d
el
th
at
i
n
te
g
r
ates
m
o
r
p
h
o
lo
g
ical
p
r
ep
r
o
ce
s
s
in
g
,
d
is
cr
ete
w
a
v
el
et
tr
an
s
f
o
r
m
(
DW
T
)
an
d
d
ee
p
au
to
en
co
d
er
tech
n
iq
u
es.
Mo
r
p
h
o
lo
g
ical
cr
o
p
p
in
g
is
f
ir
s
t
ap
p
lied
to
r
ed
u
ce
n
o
is
e
an
d
s
ta
n
d
ar
d
ize
i
m
a
g
e
d
i
m
e
n
s
io
n
s
.
DW
T
is
t
h
en
u
ti
lized
f
o
r
ef
f
ec
ti
v
e
f
ea
t
u
r
e
r
ed
u
ctio
n
,
ad
d
r
ess
i
n
g
th
e
h
i
g
h
-
d
i
m
e
n
s
io
n
al
d
ata
c
h
alle
n
g
e.
T
h
e
m
o
d
el
co
m
b
in
e
s
DW
T
w
it
h
a
s
tac
k
ed
d
ee
p
au
to
en
co
d
er
an
d
d
ee
p
au
to
en
c
o
d
er
co
n
v
o
lu
tio
n
al
n
e
u
r
al
n
et
w
o
r
k
(
SD
A
-
D
A
C
N
N)
,
en
h
a
n
ce
d
th
r
o
u
g
h
s
p
ec
tr
al
d
ata
au
g
m
en
tatio
n
f
o
r
r
o
b
u
s
t f
ea
tu
r
e
ex
tr
ac
tio
n
an
d
clas
s
if
ic
atio
n
.
Ku
m
ar
et
a
l
.
[
7
]
,
d
ev
elo
p
ed
a
lig
h
t
w
eig
h
t
d
ee
p
lear
n
in
g
m
o
d
el
w
it
h
an
e
f
f
icie
n
t
co
m
p
r
e
s
s
io
n
tech
n
iq
u
e,
i
n
te
g
r
atin
g
b
lac
k
w
id
o
w
o
p
ti
m
izatio
n
(
B
W
O)
an
d
w
h
a
le
o
p
ti
m
izatio
n
(
W
O
A
)
.
T
h
eir
m
eth
o
d
,
v
alid
ated
o
n
MRI
i
m
ag
e
s
,
d
em
o
n
s
tr
ated
s
tr
o
n
g
p
er
f
o
r
m
an
c
e
i
n
ter
m
s
o
f
ac
cu
r
ac
y
an
d
q
u
a
lit
y
.
Özb
a
y
an
d
Özb
a
y
[
8
]
,
p
r
o
p
o
s
ed
a
p
r
ec
is
io
n
h
ash
i
n
g
f
r
a
m
e
w
o
r
k
t
h
at
e
n
h
a
n
ce
s
b
r
ain
t
u
m
o
r
d
etec
tio
n
b
y
ad
d
r
ess
i
n
g
lo
w
i
m
a
g
e
r
eso
lu
tio
n
a
n
d
o
v
er
f
itt
in
g
c
h
alle
n
g
e
s
.
T
h
e
m
e
th
o
d
u
til
i
ze
s
a
p
r
e
-
tr
ain
ed
Den
s
eNe
t2
0
1
m
o
d
el
f
o
r
f
ea
tu
r
e
ex
tr
ac
tio
n
,
co
m
b
i
n
in
g
lo
ca
l
d
is
cr
im
in
at
iv
e
f
ea
t
u
r
es
an
d
p
u
b
lic
f
ea
t
u
r
es
at
th
e
p
o
o
lin
g
s
ta
g
e
t
h
r
o
u
g
h
f
ea
t
u
r
e
f
u
s
io
n
.
A
h
a
s
h
la
y
er
i
s
in
tr
o
d
u
ce
d
b
et
w
ee
n
th
e
f
u
ll
y
co
n
n
ec
ted
a
n
d
class
i
f
icatio
n
la
y
er
s
to
g
en
er
at
e
r
o
b
u
s
t
h
as
h
co
d
es.
Fin
al
cla
s
s
i
f
icatio
n
is
p
er
f
o
r
m
ed
u
s
i
n
g
a
s
i
m
i
lar
it
y
m
etr
ic
,
i
m
p
r
o
v
i
n
g
b
o
th
i
n
ter
p
r
etab
ilit
y
an
d
m
o
d
el
g
e
n
er
aliza
tio
n
o
n
lo
w
-
r
eso
lu
t
io
n
m
ed
ical
i
m
a
g
e
s
.
J
asp
in
an
d
Sel
v
an
[
9
]
,
u
s
i
n
g
s
k
u
l
l
-
s
tr
ip
p
ed
MRI
i
m
a
g
es
i
m
p
le
m
e
n
ted
a
m
u
lti
-
c
h
an
n
el
co
n
v
o
lu
tio
n
al
n
eu
r
al
n
et
w
o
r
k
(
MC
C
NN
)
m
o
d
el
f
o
r
tu
m
o
r
c
lass
if
icatio
n
.
MCC
N
N
p
er
f
o
r
m
s
t
h
r
ee
o
p
er
atio
n
s
to
ca
teg
o
r
ize
tu
m
o
r
s
.
C
h
a
k
i
an
d
W
o
źn
iak
[
1
0
]
,
in
tr
o
d
u
ce
d
B
T
SC
Net,
a
d
ee
p
lear
n
in
g
‑
b
ased
f
o
u
r
‑
s
ta
g
e
f
r
a
m
e
w
o
r
k
f
o
r
class
i
f
y
in
g
t
h
e
tu
m
o
r
s
s
u
c
h
as
m
en
in
g
io
m
a,
g
lio
m
a
an
d
p
itu
i
tar
y
tu
m
o
r
s
.
Dan
d
ıl
a
n
d
Kar
ac
a
[
1
1
]
p
r
o
p
o
s
ed
a
d
ee
p
lear
n
in
g
f
r
a
m
e
wo
r
k
f
o
r
t
h
e
b
in
ar
y
cla
s
s
i
f
icati
o
n
o
f
b
r
ain
tu
m
o
r
s
an
d
p
s
eu
d
o
‑
b
r
ain
tu
m
o
r
s
u
s
i
n
g
m
a
g
n
etic
r
eso
n
a
n
ce
s
p
ec
tr
o
s
co
p
y
(
MR
S)
d
ata.
T
h
eir
ap
p
r
o
ac
h
e
m
p
lo
y
ed
a
s
tack
ed
ar
ch
itec
tu
r
e,
in
te
g
r
atin
g
lo
n
g
s
h
o
r
t‑
t
er
m
m
e
m
o
r
y
(
L
ST
M)
an
d
b
id
ir
ec
tio
n
al
L
ST
M
(
B
i‑
L
ST
M)
n
et
w
o
r
k
s
to
e
f
f
ec
tiv
el
y
ca
p
tu
r
e
te
m
p
o
r
al
d
ep
en
d
en
cie
s
w
it
h
i
n
s
p
ec
tr
al
s
ig
n
als.
C
h
atto
p
ad
h
y
a
y
an
d
Ma
itra
[
1
2
]
p
r
o
p
o
s
ed
a
C
NN
-
b
ased
al
g
o
r
ith
m
f
o
r
b
r
ain
tu
m
o
r
s
eg
m
e
n
tatio
n
u
s
i
n
g
2
D
MRI
s
ca
n
s
.
Af
ter
s
eg
m
e
n
tatio
n
b
y
th
e
C
NN,
tr
ad
itio
n
al
class
i
f
ier
s
s
u
ch
as
s
u
p
p
o
r
t
v
ec
to
r
m
ac
h
i
n
es
(
SV
Ms)
an
d
ac
tiv
atio
n
f
u
n
ctio
n
s
li
k
e
So
f
t
m
ax
,
R
MSP
r
o
p
,
an
d
Sig
m
o
id
w
er
e
u
s
ed
to
v
alid
ate
an
d
cr
o
s
s
-
ch
ec
k
clas
s
if
icatio
n
r
esu
lts
.
T
u
r
k
et
a
l
.
[
1
3
]
,
u
s
in
g
MRI
s
ca
n
s
p
r
o
p
o
s
ed
a
th
r
ee
-
s
ta
g
e
en
s
e
m
b
le
d
ee
p
lear
n
in
g
f
r
a
m
e
w
o
r
k
.
T
o
en
h
a
n
ce
f
ea
tu
r
e
d
i
v
er
s
it
y
an
d
r
o
b
u
s
tn
ess
th
e
s
y
s
te
m
in
t
eg
r
ates
m
u
ltip
le
C
N
N
ar
ch
it
ec
tu
r
es.
A
b
in
ar
y
class
i
f
icatio
n
u
s
i
n
g
Mo
n
te
C
a
r
lo
cr
o
s
s
-
v
a
lid
atio
n
d
eter
m
i
n
e
s
th
e
p
r
esen
ce
o
r
ab
s
e
n
ce
o
f
a
tu
m
o
r
in
th
e
f
ir
s
t
s
tag
e.
T
h
e
class
if
icatio
n
o
f
d
etec
ted
tu
m
o
r
s
in
to
f
o
u
r
ca
teg
o
r
ies:
n
o
r
m
al,
g
lio
m
a,
m
en
in
g
i
o
m
a,
an
d
p
itu
itar
y
tu
m
o
r
ar
e
d
o
n
e
in
th
e
s
ec
o
n
d
s
tag
e.
T
o
p
r
o
v
id
e
v
is
u
al
i
n
ter
p
r
etab
ilit
y
t
h
e
clas
s
ac
ti
v
atio
n
m
ap
s
(
C
A
Ms)
ar
e
g
en
er
ated
f
o
r
ea
ch
t
u
m
o
r
t
y
p
e.
Qin
et
a
l
.
[
1
4
]
,
in
tr
o
d
u
ce
d
a
p
ar
allel
co
m
p
u
t
in
g
ap
p
r
o
ac
h
f
o
r
lar
g
e
-
s
ca
le
b
r
ain
tu
m
o
r
class
i
f
icatio
n
u
s
i
n
g
p
ar
allel
s
to
ch
asti
c
g
r
a
d
ien
t
d
escen
t
(
SGD
)
an
d
p
a
r
allel
as
y
n
c
h
r
o
n
o
u
s
s
to
ch
a
s
ti
c
g
r
ad
ien
t
d
escen
t
(
A
SG
D
)
alg
o
r
ith
m
s
,
i
m
p
le
m
e
n
ted
th
r
o
u
g
h
a
m
es
s
ag
e
-
p
ass
i
n
g
i
n
ter
f
ac
e
w
it
h
s
h
ar
ed
m
e
m
o
r
y
ar
ch
itect
u
r
e.
Fo
r
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
1
,
Ma
r
c
h
202
6
:
2
1
4
-
223
216
f
ea
t
u
r
e
ex
tr
ac
tio
n
h
is
to
g
r
a
m
o
f
o
r
ien
ted
g
r
ad
ien
ts
(
HOG
)
w
a
s
d
ep
lo
y
ed
d
ir
ec
tl
y
o
n
r
aw
i
m
a
g
es
in
c
lu
d
i
n
g
s
k
u
ll r
eg
io
n
s
i
n
s
tead
o
f
r
el
y
i
n
g
o
n
co
n
v
en
t
io
n
al
s
e
g
m
e
n
tatio
n
.
Dev
i
et
a
l
.
[
1
5
]
,
f
o
r
th
e
b
r
ain
tu
m
o
r
clas
s
i
f
icatio
n
,
p
r
o
p
o
s
ed
a
h
y
b
r
id
d
ee
p
lear
n
in
g
f
r
a
m
e
w
o
r
k
u
s
i
n
g
MRI
i
m
ag
e
s
.
Fo
r
d
etailed
f
ea
tu
r
e
ex
tr
ac
tio
n
t
h
e
m
et
h
o
d
o
lo
g
y
b
eg
i
n
s
w
it
h
s
tatio
n
a
r
y
w
a
v
elet
p
ac
k
e
t
tr
an
s
f
o
r
m
(
SW
PT
)
an
d
f
o
r
s
elec
tin
g
th
e
m
o
s
t
r
elev
an
t
f
e
atu
r
es
h
y
b
r
id
ad
ap
tiv
e
b
lack
w
id
o
w
m
o
t
h
f
la
m
e
o
p
tim
izatio
n
(
H
A
B
W
MFO)
w
a
s
d
ep
lo
y
ed
.
T
h
e
m
o
d
el
em
p
lo
y
s
ad
ap
tiv
e
k
er
n
el
f
u
zz
y
c
-
m
ea
n
s
(
A
KF
C
M)
clu
s
ter
i
n
g
f
o
r
s
e
g
m
e
n
tat
io
n
an
d
h
y
b
r
id
C
NN
-
L
ST
M
ar
ch
itectu
r
e
f
o
r
class
if
ica
tio
n
.
R
a
m
m
u
r
th
y
an
d
Ma
h
es
h
[
1
6
]
p
r
o
p
o
s
ed
W
HHO
a
lg
o
r
ith
m
,
alo
n
g
w
it
h
W
O
A
an
d
HHO
alg
o
r
ith
m
,
aid
ed
in
b
etter
tu
m
o
r
d
etec
tio
n
.
Usi
n
g
ce
ll
u
lar
a
u
to
m
a
ta
an
d
r
o
u
g
h
s
et
t
h
eo
r
y
th
e
s
e
g
m
e
n
tatio
n
is
p
er
f
o
r
m
ed
o
n
ea
ch
in
p
u
t
b
r
ain
MRI
i
m
a
g
e.
Kesav
a
n
d
J
ib
u
k
u
m
ar
[
1
7
]
,
an
R
C
NN
-
b
ased
ar
ch
itect
u
r
e
tar
g
etin
g
Glio
m
a,
Me
n
i
n
g
io
m
a
an
d
P
itu
i
tar
y
t
u
m
o
r
s
w
as
d
is
c
u
s
s
ed
.
T
h
e
m
o
d
el
d
em
o
n
s
tr
ated
f
a
s
t
ex
ec
u
ti
o
n
an
d
co
m
p
etiti
v
e
ac
cu
r
ac
y
co
m
p
ar
ed
to
lead
in
g
m
et
h
o
d
s
.
A
lza
h
r
an
i
[
1
8
]
,
p
r
esen
ted
C
o
n
v
A
tte
n
Mi
x
er
,
a
tr
an
s
f
o
r
m
er
-
b
ased
m
o
d
el
th
at
i
n
te
g
r
ates
s
el
f
-
atten
tio
n
an
d
ex
t
er
n
al
atte
n
tio
n
.
T
h
is
d
u
al
-
atte
n
tio
n
ap
p
r
o
ac
h
en
h
a
n
ce
d
th
e
o
u
tco
m
e
o
f
t
h
e
r
es
u
lt
s
.
R
az
za
g
h
i
et
a
l
.
[
1
9
]
,
f
o
r
b
r
ain
tu
m
o
r
d
etec
tio
n
p
r
o
p
o
s
ed
a
m
u
lti
m
o
d
al
d
o
m
ain
ad
ap
tatio
n
f
r
a
m
e
w
o
r
k
.
T
h
e
m
et
h
o
d
in
tr
o
d
u
ce
s
a
m
u
lti
m
o
d
al
f
ea
t
u
r
e
e
n
co
d
er
th
at
f
ac
i
litate
s
k
n
o
w
led
g
e
tr
an
s
f
er
b
o
th
b
et
w
ee
n
an
d
w
ith
in
m
o
d
alitie
s
,
en
h
a
n
ci
n
g
g
e
n
er
aliza
tio
n
to
u
n
s
ee
n
tes
t
d
o
m
ai
n
s
.
Ho
w
e
v
er
,
it
lead
s
to
in
cr
ea
s
ed
co
m
p
u
t
atio
n
al
co
m
p
le
x
it
y
,
p
ar
am
eter
o
v
er
h
ea
d
an
d
ch
alle
n
g
e
s
d
u
e
to
u
n
b
alan
c
ed
m
o
d
al
it
y
d
ata
d
is
tr
ib
u
tio
n
s
.
Ök
s
ü
z
et
a
l
.
[
2
0
]
,
a
b
r
ain
tu
m
o
r
class
if
ica
tio
n
ap
p
r
o
ac
h
to
d
if
f
er
en
tia
te
b
et
w
ee
n
m
e
n
in
g
io
m
a,
g
l
io
m
a
an
d
p
itu
i
tar
y
t
u
m
o
r
s
a
n
d
f
o
r
p
r
ed
ictin
g
t
h
e
1
p
/1
9
q
co
-
d
eletio
n
s
tatu
s
i
n
lo
w
-
g
r
ad
e
g
lio
m
a
(
L
GG)
ca
s
es
b
y
f
u
s
i
n
g
d
ee
p
an
d
s
h
allo
w
f
e
atu
r
es
w
a
s
p
r
o
p
o
s
ed
.
T
h
e
m
et
h
o
d
lev
er
ag
e
s
r
ic
h
co
n
t
ex
tu
a
l
f
ea
tu
r
e
s
b
y
in
co
r
p
o
r
atin
g
s
u
r
r
o
u
n
d
i
n
g
tis
s
u
e
in
t
h
e
r
eg
io
n
o
f
i
n
ter
est (
R
OI
)
.
Ku
m
ar
et
a
l
.
[
2
1
]
in
tr
o
d
u
ce
d
a
b
r
ain
tu
m
o
r
d
etec
tio
n
m
et
h
o
d
co
m
b
in
i
n
g
s
k
u
ll
s
tr
ip
p
in
g
a
n
d
en
tr
o
p
y
-
b
ased
tr
ilater
al
f
ilter
i
n
g
f
o
r
p
r
ep
r
o
ce
s
s
in
g
.
T
h
e
tu
m
o
r
s
e
g
m
en
tatio
n
w
a
s
d
o
n
e
u
s
i
n
g
f
u
zz
y
ce
n
tr
o
id
-
b
a
s
ed
r
eg
io
n
g
r
o
w
i
n
g
,
f
o
llo
w
ed
b
y
class
i
f
icatio
n
v
ia
a
n
o
p
ti
m
ize
d
d
ee
p
b
elief
n
et
w
o
r
k
(
DB
N)
.
T
h
e
p
r
o
p
o
s
ed
GS
-
MV
O
-
DB
N
m
o
d
el
o
u
tp
er
f
o
r
m
ed
s
ev
er
al
b
aselin
e
cla
s
s
i
f
ier
s
in
cl
u
d
in
g
SVM,
NN,
a
n
d
C
N
N.
Ku
m
ar
et
a
l
.
[
2
2
]
,
co
m
b
in
e
d
R
es
Net
-
152
-
b
ased
tr
an
s
f
er
lear
n
in
g
w
i
th
Ots
u
b
i
n
ar
iz
atio
n
an
d
p
r
o
p
o
s
ed
a
h
y
b
r
id
Dee
p
C
NN
m
o
d
el
f
o
r
n
o
is
e
r
ed
u
ctio
n
an
d
im
a
g
e
en
h
a
n
ce
m
en
t.
U
s
in
g
g
r
a
y
-
lev
el
co
-
o
cc
u
r
r
en
ce
m
atr
i
x
(
G
L
C
M)
m
eth
o
d
th
e
f
ea
tu
r
es
w
er
e
e
x
tr
ac
t
ed
.
C
h
i
n
n
a
m
et
a
l
.
[
2
3
]
,
MA
C
U
-
Net,
a
b
r
ain
tu
m
o
r
s
e
g
m
e
n
tatio
n
m
et
h
o
d
atten
tio
n
-
g
a
t
ed
U
-
Net
ar
ch
itect
u
r
es
w
it
h
Gr
o
u
p
No
r
m
aliza
tio
n
w
as
i
m
p
le
m
en
ted
.
T
h
e
s
y
s
te
m
co
m
p
r
is
e
s
a
9
-
l
a
y
er
m
o
d
el
f
o
r
f
u
l
l
tu
m
o
r
d
etec
tio
n
f
r
o
m
F
L
A
I
R
an
d
T
2
m
o
d
alities
a
n
d
a
7
-
la
y
er
m
o
d
el
f
o
r
s
e
g
m
e
n
ti
n
g
s
m
al
l
tu
m
o
r
s
f
r
o
m
T
1
-
C
E
i
m
ag
e
s
.
Dec
i
s
io
n
-
le
v
el
f
u
s
io
n
i
n
te
g
r
ates
o
u
tp
u
ts
f
r
o
m
t
w
o
p
h
ases
f
u
ll
t
u
m
o
r
s
eg
m
e
n
t
atio
n
(
P
h
ase
I
)
a
n
d
en
h
a
n
ce
d
/co
r
e
tu
m
o
r
s
e
g
m
e
n
t
atio
n
(
P
h
ase
I
I
)
to
ef
f
ec
ti
v
el
y
d
etec
t lo
w
-
g
r
ad
e
tu
m
o
r
s
.
Nir
m
alap
r
i
y
a
et
a
l
.
[
2
4
]
,
p
r
o
p
o
s
ed
a
f
u
ll
y
a
u
to
m
a
ted
h
y
b
r
id
s
eg
m
e
n
tatio
n
a
n
d
clas
s
i
f
icati
o
n
s
y
s
te
m
f
o
r
b
r
ain
tu
m
o
r
s
.
T
h
e
m
eth
o
d
f
u
s
es
U
-
Net
w
ith
C
FP
Net
-
M,
lev
er
ag
in
g
T
an
i
m
o
to
s
i
m
i
lar
it
y
f
o
r
ac
cu
r
ate
tu
m
o
r
s
e
g
m
en
tatio
n
.
T
r
ain
in
g
w
as
o
p
ti
m
ized
u
s
in
g
aq
u
ila
s
p
id
er
m
o
n
k
e
y
o
p
ti
m
i
za
tio
n
(
ASMO)
,
a
b
len
d
o
f
SMO
an
d
A
q
u
i
la
o
p
ti
m
izer
.
F
o
r
class
if
icat
io
n
i
n
to
tu
m
o
r
g
r
ad
es a
Sq
u
ee
ze
Net
m
o
d
el
w
as
e
m
p
lo
y
ed
an
d
f
i
n
e
-
tu
n
ed
u
s
i
n
g
f
r
ac
tio
n
al
aq
u
ila
s
p
id
er
m
o
n
k
e
y
o
p
ti
m
izat
io
n
(
F
A
SMO)
,
w
h
ich
i
n
te
g
r
at
es
SMO,
A
O,
an
d
f
r
ac
tio
n
al
ca
lc
u
l
u
s
,
en
h
a
n
ci
n
g
ac
cu
r
ac
y
i
n
d
is
ti
n
g
u
i
s
h
in
g
b
en
ig
n
a
n
d
m
al
ig
n
a
n
t tu
m
o
r
s
ac
r
o
s
s
f
o
u
r
g
r
ad
es.
Ku
m
ar
an
d
P
r
in
ce
[
2
5
]
,
p
r
o
p
o
s
ed
th
e
DB
NQL
B
C
tech
n
iq
u
e
w
h
ich
i
s
a
h
y
b
r
id
m
o
d
el
th
a
t
co
m
b
i
n
ed
a
d
ee
p
b
elief
n
et
w
o
r
k
(
DB
N)
w
it
h
a
q
u
ad
r
atic
lo
g
it
b
o
o
s
t
class
i
f
ier
f
o
r
b
r
ain
t
u
m
o
r
c
las
s
i
f
icatio
n
.
T
h
is
ap
p
r
o
ac
h
en
h
an
ce
d
ac
cu
r
ac
y
,
r
ed
u
ce
d
f
alse
-
p
o
s
iti
v
e
r
ates
an
d
lo
w
er
ed
co
m
p
u
tatio
n
al
ti
m
e
co
m
p
ar
ed
to
ex
is
t
in
g
m
eth
o
d
s
.
B
ash
k
a
n
d
i
et
a
l
.
[
2
6
]
d
is
cu
s
s
ed
a
C
NN
-
b
ased
b
r
ain
tu
m
o
r
d
etec
tio
n
m
e
th
o
d
o
p
tim
iz
ed
u
s
in
g
a
h
y
b
r
id
o
f
t
h
e
p
o
liti
ca
l
o
p
ti
m
i
ze
r
(
P
O)
an
d
p
ar
ticle
s
w
ar
m
o
p
tim
izatio
n
(
P
SO)
.
T
h
e
i
m
p
r
o
v
ed
m
etah
e
u
r
is
tic
tu
n
in
g
en
h
a
n
ce
s
cla
s
s
i
f
icatio
n
ac
cu
r
ac
y
,
o
u
tp
er
f
o
r
m
i
n
g
m
eth
o
d
s
s
u
c
h
as
ca
p
s
u
le
n
et
wo
r
k
s
,
K
-
m
ea
n
s
,
an
d
g
en
et
ic
alg
o
r
it
h
m
s
.
T
h
e
m
o
d
el
ac
h
iev
ed
s
u
p
er
io
r
p
er
f
o
r
m
a
n
c
e
in
m
ela
n
o
m
a
d
etec
tio
n
.
P
ac
h
ec
o
et
a
l
.
[
2
7
]
,
co
n
s
id
er
ed
an
au
to
m
atic
b
r
ain
tu
m
o
r
s
eg
m
e
n
tat
io
n
p
ip
elin
e
th
at
eli
m
i
n
ates
t
h
e
tr
ad
itio
n
al
b
r
ain
e
x
tr
ac
tio
n
(
B
E
)
s
tep
.
T
h
eir
ex
p
er
im
e
n
t
s
s
h
o
w
e
d
t
h
at
B
E
ch
o
ice
ca
n
af
f
ec
t
s
e
g
m
en
tatio
n
p
er
f
o
r
m
a
n
ce
b
y
u
p
to
1
5
.
7
%.
B
y
tr
ai
n
i
n
g
m
o
d
els
d
ir
ec
tl
y
o
n
n
o
n
–
s
k
u
l
l
-
s
tr
ip
p
ed
i
m
ag
es,
t
h
e
ap
p
r
o
ac
h
ac
h
iev
ed
a
s
i
g
n
i
f
ican
t r
ed
u
ctio
n
in
p
r
o
ce
s
s
i
n
g
ti
m
e.
Z
h
en
g
et
a
l
.
[
2
8
]
,
p
r
o
p
o
s
ed
a
f
o
u
r
-
s
ta
g
e
p
ip
elin
e
co
m
p
r
is
i
n
g
p
r
ep
r
o
ce
s
s
in
g
,
s
e
g
m
en
ta
ti
o
n
,
f
ea
t
u
r
e
ex
tr
ac
tio
n
,
an
d
class
i
f
icat
io
n
.
Seg
m
e
n
tatio
n
lev
er
ag
e
s
o
p
ti
m
ized
Kap
u
r
th
r
es
h
o
ld
in
g
an
d
m
ath
e
m
atica
l
m
o
r
p
h
o
lo
g
y
,
f
o
llo
w
ed
b
y
Z
e
r
n
ik
e
m
o
m
en
t
s
f
o
r
f
ea
tu
r
e
e
x
tr
ac
tio
n
.
A
SVM
clas
s
i
f
ier
,
o
p
tim
ized
u
s
i
n
g
a
cu
s
to
m
ized
ar
ith
m
etic
o
p
ti
m
iz
atio
n
alg
o
r
it
h
m
(
C
A
O
A
)
,
d
eli
v
er
s
t
h
e
f
i
n
al
d
iag
n
o
s
i
s
.
P
ed
ad
a
et
a
l
.
[
2
9
]
,
in
tr
o
d
u
ce
d
a
r
esid
u
al
U
-
Ne
t v
ar
ia
n
t
t
h
at
w
a
s
tes
ted
o
n
s
tan
d
ar
d
d
ataset
s
it
s
h
o
w
ed
s
u
p
e
r
io
r
p
er
f
o
r
m
an
ce
i
n
b
o
th
q
u
alitati
v
e
a
n
d
q
u
a
n
t
itati
v
e
m
etr
ics
.
S
h
ar
m
a
et
a
l
.
[
3
0
]
,
a
m
o
d
i
f
ied
R
esNe
t5
0
m
o
d
el
th
a
t
in
co
r
p
o
r
ates
HOG
f
ea
t
u
r
es
f
r
o
m
MRI
i
m
a
g
es
f
o
r
b
r
ain
tu
m
o
r
d
etec
tio
n
w
a
s
p
r
o
p
o
s
ed
.
T
h
e
m
o
d
el
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
d
va
n
ce
d
MRI
-
b
a
s
ed
d
ee
p
le
a
r
n
in
g
fo
r
b
r
a
in
tu
mo
r
s
:
a
five
-
ye
a
r
r
ev
iew
o
f
…
(
S
h
r
i
s
h
a
Ma
d
d
u
r
R
a
mesh
)
217
in
te
g
r
ated
f
ea
t
u
r
e
o
p
ti
m
izat
io
n
to
en
h
a
n
ce
d
is
cr
i
m
i
n
ativ
e
n
eu
r
al
r
ep
r
esen
tatio
n
s
f
r
o
m
co
m
p
lex
v
ec
to
r
s
.
T
h
e
ap
p
r
o
ac
h
im
p
r
o
v
ed
o
n
d
ee
p
f
e
atu
r
e
ex
tr
ac
tio
n
ac
cu
r
ac
y
.
So
b
h
an
i
n
ia
et
a
l
.
[
3
1
]
,
p
r
o
p
o
s
ed
a
m
u
lti
s
ca
le
ca
s
ca
d
ed
m
u
ltit
a
s
k
n
et
w
o
r
k
.
T
h
e
m
o
d
el
en
h
an
ce
s
p
er
f
o
r
m
a
n
ce
u
s
i
n
g
m
u
ltis
ca
l
e
an
d
ca
s
ca
d
ed
en
co
d
er
-
d
e
co
d
er
lay
er
s
f
o
r
s
eg
m
e
n
tati
o
n
an
d
a
f
ea
tu
r
e
ag
g
r
e
g
atio
n
m
o
d
u
le
to
b
o
o
s
t
clas
s
i
f
icatio
n
ac
c
u
r
ac
y
.
Sar
ala
et
a
l
.
[
3
2
]
,
f
o
r
d
etec
tin
g
g
l
io
m
a
b
r
ain
tu
m
o
r
s
p
r
o
p
o
s
ed
a
d
u
al
C
NN
m
et
h
o
d
o
lo
g
y
,
w
h
er
e
th
e
f
ir
s
t
C
NN
ex
tr
ac
ts
i
m
ag
e
f
ea
t
u
r
es
a
n
d
th
e
s
ec
o
n
d
C
NN
h
an
d
le
s
class
i
f
icat
io
n
.
Fo
r
s
eg
m
e
n
tat
io
n
,
a
h
y
b
r
id
d
ee
p
s
u
p
er
v
is
ed
atte
n
tio
n
HD
S
A
m
et
h
o
d
is
ap
p
lied
to
is
o
late
th
e
tu
m
o
r
r
eg
io
n
o
f
in
ter
est
.
R
u
b
a
et
a
l
.
[
3
3
]
,
t
o
en
h
a
n
ce
t
u
m
o
r
lo
ca
lizatio
n
p
r
o
p
o
s
ed
J
Gate
-
A
tt
R
e
s
UNe
t,
a
n
o
v
el
b
r
ain
tu
m
o
r
s
e
g
m
en
tatio
n
m
o
d
el
in
teg
r
at
in
g
a
J
-
G
ate
atte
n
tio
n
m
ec
h
a
n
i
s
m
.
I
t
is
e
v
alu
a
ted
o
n
B
R
A
T
S 2
0
1
5
an
d
2
0
1
9
d
atas
ets
,
o
u
tp
er
f
o
r
m
i
n
g
b
aseli
n
e
ar
ch
i
te
ctu
r
e
s
li
k
e
U
Net,
R
esid
u
al
UNe
t
an
d
th
eir
atte
n
tio
n
-
g
ated
v
ar
ia
n
ts
.
Kan
c
h
an
a
m
ala
et
a
l
.
[
3
4
]
,
f
o
r
B
T
d
etec
tio
n
an
d
class
if
ica
tio
n
i
n
tr
o
d
u
ce
d
a
d
u
al
-
m
e
th
o
d
p
ip
elin
e
u
s
i
n
g
ex
p
o
n
e
n
tial
d
ee
r
h
u
n
ti
n
g
o
p
ti
m
izatio
n
(
E
x
p
DHO)
.
T
h
ey
p
r
o
p
o
s
ed
E
x
p
DHO
-
b
ased
s
h
ep
ar
d
C
N
N
(
Sh
C
NN)
f
o
r
d
etec
tio
n
an
d
a
n
E
x
p
DHO
-
b
ased
d
ee
p
C
NN
f
o
r
class
i
f
icatio
n
.
T
h
e
p
ip
eli
n
e
in
cl
u
d
es
n
o
is
e
r
e
m
o
v
al,
s
eg
m
e
n
tatio
n
alo
n
g
w
ith
d
ata
au
g
m
en
tatio
n
i
n
p
r
ep
r
o
ce
s
s
in
g
.
T
h
e
n
o
v
el
E
x
p
DHO
alg
o
r
it
h
m
,
co
m
b
i
n
i
n
g
e
x
p
o
n
en
tial
w
ei
g
h
ted
m
o
v
in
g
av
er
a
g
e
(
E
W
MA
)
an
d
d
ee
r
h
u
n
ti
n
g
o
p
ti
m
izatio
n
,
en
h
a
n
ce
s
m
o
d
el
co
n
v
er
g
e
n
ce
a
n
d
p
er
f
o
r
m
a
n
ce
,
an
d
co
n
tr
ib
u
ti
n
g
to
ac
cu
r
ate
t
u
m
o
r
lo
ca
lizatio
n
.
W
an
g
et
a
l
.
[
3
5
]
,
f
o
r
3
D
MR
I
im
a
g
es
p
r
o
p
o
s
ed
GA
M
-
Net
,
a
b
r
ain
tu
m
o
r
s
e
g
m
e
n
tatio
n
alg
o
r
ith
m
.
T
h
e
m
o
d
el
e
m
p
lo
y
s
a
D
-
C
o
n
v
D
e
n
co
d
er
to
ex
tr
ac
t
f
ea
t
u
r
e
s
f
r
o
m
m
u
lti
-
m
o
d
al
MRIs,
p
a
ir
ed
w
it
h
a
g
r
ad
ien
t
ex
tr
ac
tio
n
(
GE
)
b
r
an
ch
to
ca
p
tu
r
e
f
in
e
g
r
ad
ien
t
d
etails.
A
g
r
ad
ien
t
-
d
r
i
v
en
d
ec
o
d
er
(
G
DD)
lev
er
ag
es
t
h
is
in
f
o
r
m
atio
n
to
e
n
h
a
n
ce
s
e
g
m
e
n
tatio
n
,
e
s
p
ec
iall
y
n
ea
r
tu
m
o
r
b
o
u
n
d
ar
ies.
Sh
y
a
m
a
la
an
d
B
r
ah
m
a
n
an
d
a
[
3
6
]
d
is
cu
s
s
ed
an
d
p
r
o
p
o
s
ed
a
f
ea
tu
r
e
-
b
ased
clas
s
i
f
icati
o
n
m
et
h
o
d
d
etec
tin
g
d
i
f
f
er
en
t
t
y
p
es
o
f
tu
m
o
r
s
f
r
o
m
b
r
ain
i
m
a
g
es.
T
h
e
ex
tr
ac
ted
f
ea
tu
r
es
ar
e
class
i
f
ied
u
s
in
g
a
ge
n
er
alize
d
r
eg
r
ess
io
n
n
e
u
r
al
n
et
w
o
r
k
(
GR
N
N)
,
w
it
h
tu
n
e
d
h
y
p
er
p
ar
a
m
eter
s
to
m
in
i
m
i
ze
tr
ain
in
g
lo
s
s
an
d
co
m
p
le
x
it
y
.
Yo
g
an
a
n
d
a
et
a
l
.
[
3
7
]
,
to
p
er
f
o
r
m
b
i
n
ar
y
s
e
g
m
e
n
tat
io
n
f
o
r
in
d
iv
id
u
al
t
u
m
o
r
s
u
b
co
m
p
o
n
en
ts
,
p
r
o
p
o
s
ed
a
f
u
ll
y
au
to
m
ated
b
r
ain
tu
m
o
r
s
e
g
m
e
n
tatio
n
f
r
a
m
e
w
o
r
k
u
s
i
n
g
t
h
r
ee
s
p
ec
ialized
3
D
-
Den
s
e
-
UNe
ts
,
t
h
is
i
n
te
g
r
ated
s
tr
ateg
y
s
i
m
p
li
f
ies th
e
m
u
lticla
s
s
s
e
g
m
en
tatio
n
ch
alle
n
g
e.
Gee
th
a
et
a
l
.
[
3
8
]
,
p
r
o
p
o
s
ed
a
class
i
f
icatio
n
f
r
a
m
e
w
o
r
k
o
p
ti
m
ized
b
y
t
h
e
s
i
n
e
co
s
in
e
ar
ch
i
m
ed
e
s
o
p
tim
izatio
n
al
g
o
r
ith
m
(
S
C
AOA
)
a
h
y
b
r
id
o
f
A
O
A
a
n
d
SC
A
.
Af
ter
Gau
s
s
ia
n
f
il
ter
in
g
f
o
r
n
o
is
e
r
ed
u
ctio
n
,
Seg
Net,
t
u
n
ed
v
ia
SC
AO
A
,
p
er
f
o
r
m
s
t
u
m
o
r
s
e
g
m
e
n
tatio
n
.
E
x
tr
ac
ted
f
ea
t
u
r
es
ar
e
p
ass
ed
to
Sh
C
N
N
f
o
r
d
etec
tio
n
,
f
o
llo
w
ed
b
y
class
i
f
i
ca
tio
n
in
to
p
itu
itar
y
,
g
lio
m
a
,
a
n
d
m
en
i
n
g
io
m
a
t
y
p
e
s
u
s
i
n
g
a
SC
A
O
A
-
o
p
ti
m
ized
Den
s
eNe
t.
T
h
e
m
e
th
o
d
s
h
o
w
s
p
r
o
m
i
s
e
f
o
r
m
o
b
ile
d
ep
lo
y
m
e
n
t a
n
d
f
u
t
u
r
e
h
y
b
r
id
izatio
n
.
Nag
ar
an
i
et
a
l
.
[
3
9
]
,
in
tr
o
d
u
ce
d
SP
GA
N
-
MSO
A
-
C
B
T
MRI,
a
b
r
ain
tu
m
o
r
class
i
f
icatio
n
m
et
h
o
d
u
s
i
n
g
a
s
el
f
-
atte
n
tio
n
–
b
ased
p
r
o
g
r
ess
iv
e
G
AN
o
p
ti
m
ized
b
y
th
e
m
o
m
en
t
u
m
s
ea
r
c
h
o
p
ti
m
izatio
n
a
l
g
o
r
ith
m
(
MSO
A
)
.
T
h
e
ap
p
r
o
ac
h
en
h
an
ce
s
MRI
i
m
ag
e
q
u
al
it
y
v
ia
an
is
o
tr
o
p
ic
d
if
f
u
s
io
n
k
u
w
a
h
ar
a
f
ilter
in
g
(
A
DKF)
.
Featu
r
e
e
x
tr
ac
tio
n
le
v
er
ag
e
s
ter
n
ar
y
p
atter
n
s
a
n
d
d
is
cr
ete
w
a
v
elet
tr
a
n
s
f
o
r
m
s
to
c
o
m
p
u
te
s
ix
k
e
y
te
x
t
u
r
e
f
ea
t
u
r
es
.
SP
GAN
w
as t
h
en
u
s
ed
to
class
if
y
i
m
ag
e
s
in
to
t
u
m
o
r
an
d
n
o
n
-
t
u
m
o
r
ca
teg
o
r
ies.
B
alasu
b
r
a
m
a
n
ia
n
et
a
l
.
[
4
0
]
,
p
r
o
p
o
s
ed
R
FS
h
C
NN
a
h
y
b
r
id
b
r
ain
tu
m
o
r
d
etec
tio
n
m
o
d
el,
wh
ich
f
u
s
e
s
r
esid
u
al
n
et
w
o
r
k
s
w
it
h
sh
ep
h
e
r
d
C
NN,
en
h
a
n
ce
d
b
y
a
r
eg
r
es
s
io
n
la
y
er
in
co
r
p
o
r
atin
g
f
r
ac
ti
o
n
al
ca
lcu
l
u
s
(
F
C
)
.
P
r
iy
a
an
d
Va
s
u
d
e
v
an
[
4
1
]
,
f
o
r
class
i
f
icatio
n
o
f
b
r
ain
t
u
m
o
r
s
p
r
o
p
o
s
ed
a
h
y
b
r
id
d
ee
p
lear
n
in
g
m
o
d
el
co
m
b
i
n
i
n
g
A
le
x
Net
f
o
r
f
ea
t
u
r
e
ex
tr
ac
tio
n
an
d
a
g
ated
r
ec
u
r
r
en
t
u
n
it
(
GR
U)
n
et
w
o
r
k
.
A
lex
Net
h
an
d
les
s
p
atia
l
f
ea
t
u
r
e
en
co
d
in
g
w
h
ile
GR
U
m
iti
g
ates
g
r
ad
ien
t
v
a
n
is
h
i
n
g
an
d
m
o
d
els
s
eq
u
e
n
tia
l
d
ep
en
d
en
cie
s
.
T
h
r
o
u
g
h
ca
r
ef
u
l
h
y
p
er
p
ar
a
m
e
ter
tu
n
i
n
g
,
th
e
m
o
d
el
e
n
h
an
ce
s
g
e
n
er
ali
za
tio
n
an
d
a
v
o
id
s
o
v
er
f
itti
n
g
.
Fin
al
c
lass
if
ica
tio
n
u
s
i
n
g
s
o
f
t
m
a
x
la
y
er
,
ef
f
ec
tiv
e
l
y
ca
teg
o
r
ized
tu
m
o
r
s
i
n
to
f
o
u
r
d
is
tin
c
t c
la
s
s
es.
A
j
a
y
an
d
Go
p
alan
[
4
2
]
,
to
im
p
r
o
v
e
ed
g
e
d
etec
tio
n
in
MRI
i
m
ag
e
s
p
r
o
p
o
s
ed
an
en
h
an
ce
d
s
o
b
el
ed
g
e
d
etec
tio
n
alg
o
r
ith
m
u
s
i
n
g
an
8
-
d
ir
ec
tio
n
al
te
m
p
la
te.
T
h
e
m
eth
o
d
w
a
s
b
en
ch
m
ar
k
ed
ag
ai
n
s
t
tr
ad
itio
n
a
l
ed
g
e
d
etec
tio
n
tech
n
iq
u
e
s
u
s
in
g
m
e
tr
ics lik
e
M
SE,
R
MSE
,
E
n
tr
o
p
y
,
SNR
,
a
n
d
P
SNR
.
San
g
u
i
et
a
l
.
[
4
3
]
,
f
o
r
B
T
d
etec
tio
n
a
n
d
s
eg
m
e
n
tatio
n
f
r
o
m
MRI
s
ca
n
,
p
r
o
p
o
s
ed
a
m
o
d
el
th
a
t
in
te
g
r
ates
en
h
an
ce
m
e
n
ts
to
th
e
class
ic
U
-
Net
s
tr
u
ctu
r
e
in
te
n
d
ed
at
im
p
r
o
v
i
n
g
s
e
g
m
en
tatio
n
ac
c
u
r
ac
y
.
E
x
p
er
i
m
e
n
tal
r
es
u
lt
s
d
e
m
o
n
s
t
r
ate
t
h
e
tailo
r
ed
U
-
Net
o
u
tp
e
r
f
o
r
m
s
o
t
h
er
d
ee
p
lear
n
i
n
g
m
o
d
els
co
n
f
ir
m
i
n
g
its
r
o
b
u
s
tn
es
s
an
d
p
r
ec
is
io
n
i
n
t
u
m
o
r
lo
ca
lizatio
n
.
P
atil
an
d
Kir
an
g
e
[
4
4
]
,
p
r
o
p
o
s
ed
an
en
s
e
m
b
le
d
ee
p
co
n
v
o
lu
tio
n
al
n
eu
r
al
n
et
w
o
r
k
(
E
DC
NN)
b
y
f
u
s
i
n
g
f
ea
t
u
r
es
f
r
o
m
a
s
h
allo
w
C
NN
(
S
C
NN)
an
d
VGG1
6
;
b
o
th
tr
ain
ed
o
n
T
1
C
-
m
o
d
alit
y
MRI
i
m
ag
e
s
.
T
h
is
f
u
s
io
n
ap
p
r
o
ac
h
en
h
an
ce
d
clas
s
if
ica
tio
n
ac
c
u
r
ac
y
f
o
r
th
r
ee
b
r
ain
tu
m
o
r
t
y
p
es a
n
d
i
m
p
r
o
v
ed
lo
s
s
co
n
v
er
g
e
n
ce
.
Kh
air
an
d
i
s
h
et
a
l
.
[
4
5
]
,
to
d
is
tin
g
u
is
h
b
en
i
g
n
a
n
d
m
ali
g
n
a
n
t
tu
m
o
r
s
in
M
R
I
i
m
a
g
es,
p
r
o
p
o
s
ed
a
h
y
b
r
id
b
r
ain
tu
m
o
r
clas
s
i
f
icat
io
n
co
m
b
i
n
i
n
g
C
N
N
an
d
SV
M.
Af
ter
n
o
r
m
al
izatio
n
a
n
d
f
ea
tu
r
e
e
x
tr
ac
tio
n
v
ia
m
ax
i
m
a
ll
y
s
tab
le
ex
tr
e
m
al
r
e
g
io
n
s
(
MSE
R
)
,
t
h
r
esh
o
ld
-
b
as
ed
s
eg
m
en
tat
io
n
i
s
ap
p
lied
an
d
lab
eled
f
ea
tu
r
e
s
w
er
e
f
ed
in
to
th
e
C
NN
-
SVM
p
ip
elin
e.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
1
,
Ma
r
c
h
202
6
:
2
1
4
-
223
218
Kh
a
n
et
a
l
.
[
4
6
]
p
r
o
p
o
s
ed
a
23
-
la
y
er
C
NN
w
h
ich
w
a
s
tr
ain
ed
o
n
a
lar
g
e
d
ataset
to
ac
h
ie
v
e
s
tr
o
n
g
p
er
f
o
r
m
a
n
ce
.
B
u
t,
w
it
h
li
m
ite
d
d
ata
in
a
s
ec
o
n
d
d
ataset,
th
e
m
o
d
el
s
h
o
w
ed
s
ig
n
s
o
f
o
v
er
f
itti
n
g
.
T
o
m
i
tig
a
te
th
is
,
t
h
e
y
i
n
tr
o
d
u
ce
d
a
h
y
b
r
id
ap
p
r
o
ac
h
co
m
b
in
i
n
g
tr
an
s
f
er
lea
r
n
in
g
w
it
h
VGG1
6
an
d
ar
c
h
itect
u
r
al
ele
m
e
n
t
s
o
f
th
e
2
3
-
la
y
er
C
NN,
i
m
p
r
o
v
i
n
g
g
e
n
er
aliza
tio
n
o
n
s
m
a
ller
d
atasets
.
R
ah
m
a
n
an
d
I
s
la
m
[
4
7
]
p
r
o
p
o
s
ed
th
e
P
DC
NN
f
r
a
m
e
w
o
r
k
,
a
d
ee
p
lear
n
in
g
m
o
d
el.
T
h
e
m
o
d
el
w
a
s
ev
alu
a
ted
o
n
t
h
e
Ka
g
g
le
an
d
Fig
s
h
ar
e
d
ataset
s
,
h
an
d
li
n
g
b
in
ar
y
a
n
d
m
u
lt
iclas
s
clas
s
i
f
icat
io
n
tas
k
s
.
P
DC
NN
d
em
o
n
s
tr
ated
h
i
g
h
ac
cu
r
ac
y
,
p
r
ec
is
io
n
,
r
ec
all
,
an
d
F1
-
s
co
r
e,
ac
r
o
s
s
m
u
lt
ip
le
d
ata
s
ets,
in
d
icati
n
g
it
s
r
o
b
u
s
tn
es
s
.
A
t
m
a
k
u
r
i
et
a
l
.
[
4
8
]
,
ex
p
lo
r
ed
th
e
u
s
e
o
f
d
ee
p
lear
n
in
g
tech
n
iq
u
e
s
to
p
r
ed
ict
th
e
p
h
ase
p
r
o
g
r
ess
io
n
o
f
b
r
ain
tu
m
o
r
s
.
T
h
e
ap
p
r
o
ac
h
h
i
g
h
l
ig
h
ts
s
u
p
er
v
i
s
ed
class
i
f
icatio
n
to
m
a
n
ag
e
co
m
p
le
x
tu
m
o
r
b
eh
av
io
r
an
d
en
ab
les
p
r
ed
ictio
n
o
f
f
u
t
u
r
e
an
o
m
alies.
T
h
e
au
th
o
r
s
p
r
o
p
o
s
e
th
at
a
f
u
ll
y
a
u
to
m
ated
s
y
s
te
m
f
o
r
p
h
ase
p
r
ed
ictio
n
ca
n
b
e
d
ev
elo
p
ed
u
s
in
g
ex
i
s
ti
n
g
s
i
m
u
latio
n
to
o
lb
o
x
es.
I
s
la
m
et
a
l
.
[
4
9
]
,
f
o
r
b
r
a
in
tu
m
o
r
d
etec
tio
n
in
M
R
I
i
m
ag
e
s
p
r
o
p
o
s
ed
a
t
em
p
late
-
b
ased
K
-
m
ea
n
s
clu
s
te
r
in
g
ap
p
r
o
ac
h
.
T
h
e
m
e
th
o
d
i
n
teg
r
ates
s
u
p
er
p
ix
el
s
eg
m
e
n
tatio
n
a
n
d
p
r
in
cip
al
co
m
p
o
n
en
t
an
al
y
s
is
(
P
C
A
)
f
o
r
r
o
b
u
s
t
f
ea
t
u
r
e
ex
tr
ac
tio
n
,
f
o
llo
w
ed
b
y
T
K
-
m
ea
n
s
f
o
r
p
r
ec
is
e
tu
m
o
r
lo
ca
lizatio
n
.
T
s
en
g
an
d
T
an
g
[
5
0
]
co
n
s
i
d
er
ed
a
P
SO
-
XGB
o
o
s
t
b
as
ed
b
r
ain
tu
m
o
r
d
etec
tio
n
f
r
a
m
e
w
o
r
k
,
in
te
g
r
atin
g
o
p
ti
m
ized
p
r
o
ce
s
s
in
g
a
n
d
f
ea
t
u
r
e
s
elec
tio
n
.
MRI
i
m
a
g
es
w
er
e
en
h
an
ce
d
u
s
i
n
g
C
L
A
HE
,
s
eg
m
e
n
ted
v
ia
K
-
Me
an
s
cl
u
s
ter
i
n
g
a
n
d
r
ef
i
n
ed
w
it
h
P
S
O
to
s
elec
t
cr
i
tical
f
ea
t
u
r
es.
C
las
s
i
f
icatio
n
w
as
p
er
f
o
r
m
ed
u
s
i
n
g
XGB
o
o
s
t,
N
aiv
e
B
a
y
e
s
,
an
d
I
D3
,
w
it
h
t
h
e
P
SO
-
XGB
o
o
s
t
m
o
d
el
ac
h
ie
v
i
n
g
s
ta
n
d
o
u
t
r
es
u
lt
s
h
ig
h
li
g
h
ti
n
g
i
ts
h
ig
h
r
eliab
ilit
y
in
b
r
ain
tu
m
o
r
id
en
ti
f
icatio
n
.
Uk
e
et
a
l
.
[
5
1
]
,
p
r
esen
ted
a
b
r
ain
tu
m
o
r
ex
tr
ac
tio
n
m
et
h
o
d
f
r
o
m
2
D
MRI
s
ca
n
s
u
s
i
n
g
th
e
f
u
zz
y
C
-
Me
an
s
cl
u
s
ter
i
n
g
alg
o
r
it
h
m
f
o
r
s
eg
m
e
n
tatio
n
,
f
o
llo
w
ed
b
y
clas
s
if
icatio
n
v
ia
tr
ad
itio
n
a
l
m
ac
h
in
e
lear
n
i
n
g
class
i
f
ier
s
i
m
p
le
m
en
ted
in
s
ci
k
it
-
lear
n
.
T
o
en
h
an
ce
p
er
f
o
r
m
an
ce
,
C
NN
w
a
s
a
ls
o
e
m
p
lo
y
e
d
u
s
in
g
Ker
as
a
n
d
T
en
s
o
r
Flo
w
,
w
h
ich
o
u
tp
er
f
o
r
m
ed
th
e
tr
ad
itio
n
a
l
m
o
d
els
o
n
a
r
ea
l
-
ti
m
e
d
ataset.
Dee
p
a
k
an
d
Am
ee
r
[
5
2
]
i
m
p
le
m
en
ted
a
d
ee
p
tr
a
n
s
f
er
l
ea
r
n
in
g
-
b
ased
s
y
s
te
m
u
s
in
g
a
p
r
e
-
tr
ain
ed
Go
o
g
L
eNe
t.
T
h
es
e
f
ea
t
u
r
es
w
er
e
f
ed
in
to
tr
ad
itio
n
al
class
i
f
ier
s
f
o
r
tu
m
o
r
ca
teg
o
r
izatio
n
,
w
it
h
ev
alu
a
tio
n
p
er
f
o
r
m
ed
u
s
in
g
p
atien
t
-
le
v
el
f
i
v
e
-
f
o
l
d
cr
o
s
s
-
v
alid
atio
n
.
Naser
an
d
Dee
n
[
5
3
]
,
f
o
r
tu
m
o
r
g
r
ad
i
n
g
,
s
p
ec
i
f
icall
y
tar
g
eti
n
g
lo
w
g
r
ad
e
g
lio
m
a
(
L
G
G)
in
MRI
s
ca
n
s
,
d
ev
elo
p
ed
a
m
et
h
o
d
o
lo
g
y
t
h
at
co
m
b
i
n
es
U
-
Net
–
b
ase
d
C
NN
f
o
r
t
u
m
o
r
s
e
g
m
e
n
t
atio
n
an
d
tr
an
s
f
e
r
lear
n
in
g
w
it
h
VGG1
6
.
T
an
d
e
l
et
a
l
.
[
5
4
]
,
p
r
o
p
o
s
ed
a
tr
an
s
f
er
lear
n
i
n
g
b
ased
C
NN
m
o
d
el
f
o
r
b
r
ain
tu
m
o
r
g
r
ad
in
g
,
d
e
m
o
n
s
tr
ati
n
g
s
u
p
er
io
r
p
er
f
o
r
m
a
n
ce
o
v
er
s
i
x
cl
ass
ical
m
ac
h
in
e
lear
n
i
n
g
c
la
s
s
i
f
ier
s
.
T
h
e
y
al
s
o
d
ev
elo
p
ed
f
iv
e
r
elev
a
n
t
m
u
ltic
lass
M
R
I
d
atasets
r
an
g
i
n
g
f
r
o
m
t
w
o
to
s
ix
t
u
m
o
r
class
e
s
.
T
an
d
el
et
a
l.
[
5
5
]
,
cu
r
ated
f
o
u
r
clin
icall
y
r
elev
a
n
t
b
r
ain
tu
m
o
r
d
ataset
s
an
d
ev
alu
a
ted
th
e
m
u
s
i
n
g
f
i
v
e
d
ee
p
lear
n
in
g
m
o
d
els
a
n
d
f
i
v
e
m
ac
h
i
n
e
lear
n
i
n
g
m
o
d
els
v
ia
f
i
v
e
-
f
o
ld
cr
o
s
s
-
v
ali
d
atio
n
.
T
o
en
h
an
ce
class
i
f
icatio
n
ac
c
u
r
ac
y
,
t
h
e
y
p
r
o
p
o
s
ed
a
m
aj
o
r
it
y
v
o
tin
g
en
s
e
m
b
le
al
g
o
r
ith
m
,
w
h
ic
h
e
f
f
ec
t
iv
el
y
le
v
er
ag
ed
t
h
e
s
tr
en
g
th
s
o
f
all
m
o
d
el
s
.
E
m
a
m
et
a
l
.
[
5
6
]
,
in
tr
o
d
u
ce
d
a
m
e
tah
eu
r
i
s
tic
o
p
ti
m
izer
th
at
w
as
ap
p
lied
to
f
in
e
-
t
u
n
e
th
e
R
e
s
Net5
0
ar
ch
itect
u
r
e,
r
esu
lti
n
g
i
n
t
h
e
I
-
HG
S
-
R
e
s
Net5
0
m
o
d
el.
T
h
e
an
al
y
s
is
o
f
r
ec
e
n
t
ad
v
a
n
c
es
s
h
o
w
s
th
a
t
h
y
b
r
id
an
d
en
s
e
m
b
le
m
o
d
els
[
5
7
]
ar
e
s
tead
il
y
r
esh
ap
in
g
th
e
lan
d
s
ca
p
e
o
f
b
r
ain
tu
m
o
r
r
esear
ch
.
B
y
co
m
b
in
i
n
g
m
u
ltip
le
ar
ch
itectu
r
es
[
5
8
]
an
d
o
p
ti
m
izatio
n
s
tr
ateg
ies,
th
ese
ap
p
r
o
ac
h
es
ac
h
iev
e
b
etter
ac
cu
r
ac
y
a
n
d
r
esil
ien
c
e
w
it
h
r
esp
ec
t
to
s
i
n
g
le
‑
m
o
d
el
b
aselin
es
[
5
9
]
.
A
l
g
o
r
ith
m
s
w
i
th
m
eta
-
h
e
u
r
is
t
ic
ca
p
ab
ilit
ies
h
av
e
e
m
er
g
ed
as
ef
f
icie
n
t
to
o
ls
f
o
r
f
i
n
e‑
tu
n
in
g
d
ee
p
lear
n
in
g
f
r
a
m
e
w
o
r
k
s
,
f
u
r
th
er
b
o
o
s
tin
g
p
er
f
o
r
m
an
ce
.
T
r
an
s
f
er
lear
n
in
g
co
n
ti
n
u
es
to
p
r
o
v
id
e
a
s
tr
o
n
g
f
o
u
n
d
atio
n
,
th
o
u
g
h
its
s
u
cc
es
s
r
e
m
ai
n
s
clo
s
el
y
tied
to
p
r
ep
r
o
ce
s
s
in
g
q
u
al
it
y
[
6
0
]
.
Desp
ite
th
ese
s
tr
en
g
t
h
s
,
ch
a
llen
g
e
s
s
u
c
h
as d
ataset
d
ep
en
d
en
c
y
,
co
m
p
u
tatio
n
al
d
e
m
a
n
d
s
a
n
d
li
m
ited
i
n
ter
p
r
etab
ilit
y
p
er
s
is
t a
cr
o
s
s
s
t
u
d
ies
.
2.
CO
NCLU
SI
O
N
AND
F
U
T
U
RE
WO
RK
T
h
is
w
o
r
k
p
r
esen
t
s
a
w
id
e
-
r
an
g
i
n
g
r
ev
i
e
w
o
f
r
ec
en
t
ad
v
an
ce
m
e
n
ts
i
n
A
I
d
r
iv
en
b
r
ain
tu
m
o
r
d
etec
tio
n
u
s
i
n
g
MRI
s
ca
n
s
,
f
o
cu
s
i
n
g
o
n
tech
n
ical
m
et
h
o
d
o
lo
g
ies,
class
i
f
icatio
n
s
tr
ateg
i
es
an
d
r
ea
l
-
w
o
r
ld
ch
alle
n
g
e
s
.
B
y
a
n
al
y
zi
n
g
v
a
r
io
u
s
t
u
m
o
r
t
y
p
es
a
n
d
d
ee
p
lear
n
i
n
g
f
r
a
m
e
w
o
r
k
s
,
it
e
v
alu
ates
th
e
c
li
n
ical
r
ea
d
in
ess
,
li
m
itatio
n
s
a
n
d
f
u
tu
r
e
p
o
ten
tial
o
f
A
I
in
tr
a
n
s
f
o
r
m
i
n
g
n
eu
r
o
-
o
n
co
lo
g
y
.
C
o
v
er
i
n
g
h
i
g
h
l
y
i
n
f
lu
e
n
tia
l
s
tu
d
ie
s
,
th
e
r
ev
ie
w
tr
ac
es
t
h
e
ev
o
lu
tio
n
f
r
o
m
tr
ad
itio
n
al
m
et
h
o
d
o
lo
g
ies
to
ad
v
an
ce
d
i
m
p
le
m
en
tatio
n
m
o
d
els.
Ma
n
y
p
o
w
er
f
u
l
h
y
b
r
id
an
d
en
s
e
m
b
le
ap
p
r
o
ac
h
es
h
a
v
e
b
ee
n
e
x
p
lo
r
ed
in
tu
m
o
r
class
if
i
ca
tio
n
a
m
o
n
g
t
h
o
s
e
P
SO
–
XGB
o
o
s
t
s
tan
d
s
o
u
t
b
y
co
m
b
i
n
i
n
g
P
SO
w
it
h
g
r
ad
ien
t
b
o
o
s
tin
g
.
T
h
e
C
NN+
SVM
h
y
b
r
id
lev
er
ag
es
d
ee
p
C
NNs
f
o
r
f
ea
t
u
r
e
ex
tr
ac
tio
n
w
it
h
SVM
clas
s
i
f
ier
s
,
d
e
m
o
n
s
tr
atin
g
e
f
f
ec
tiv
e
in
b
o
th
b
i
n
ar
y
a
n
d
m
u
l
ti
-
c
lass
class
i
f
icatio
n
.
P
ar
allel
d
ilated
C
NN
(
P
DC
NN
)
ex
ce
l
s
at
ca
p
tu
r
in
g
m
u
lti
-
s
ca
le
f
ea
t
u
r
es,
ac
h
iev
in
g
a
s
tr
o
n
g
b
al
an
ce
ac
r
o
s
s
ac
c
u
r
ac
y
,
p
r
ec
i
s
io
n
a
n
d
r
ec
all.
I
-
H
GS
–
R
e
s
N
et5
0
,
o
p
tim
ized
w
it
h
t
h
e
i
m
p
r
o
v
ed
h
u
n
g
er
g
a
m
e
s
s
ea
r
ch
alg
o
r
it
h
m
,
is
a
s
tr
o
n
g
m
eta
h
e
u
r
is
tic
-
t
u
n
ed
co
n
te
n
d
er
.
E
n
s
e
m
b
le
ap
p
r
o
ac
h
es
lik
e
m
aj
o
r
it
y
v
o
tin
g
en
h
a
n
ce
r
o
b
u
s
t
n
es
s
b
y
co
m
b
in
in
g
p
r
ed
ictio
n
s
f
r
o
m
m
u
ltip
le
m
o
d
els.
T
h
e
E
DC
N
N
(
VGG1
6
+SC
NN)
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
d
va
n
ce
d
MRI
-
b
a
s
ed
d
ee
p
le
a
r
n
in
g
fo
r
b
r
a
in
tu
mo
r
s
:
a
five
-
ye
a
r
r
ev
iew
o
f
…
(
S
h
r
i
s
h
a
Ma
d
d
u
r
R
a
mesh
)
219
in
te
g
r
ates
tr
an
s
f
er
lear
n
i
n
g
with
s
p
atial
at
ten
tio
n
th
r
o
u
g
h
s
k
ip
co
n
n
ec
t
io
n
s
,
o
f
f
er
i
n
g
n
u
a
n
ce
d
class
i
f
icat
io
n
ca
p
ab
ilit
ies.
T
h
e
tr
an
s
f
er
lear
n
in
g
w
it
h
R
e
s
Net5
0
r
e
m
ai
n
s
co
n
s
is
ten
t
t
h
o
u
g
h
p
r
ep
r
o
ce
s
s
in
g
q
u
a
lit
y
i
s
cr
itical,
w
h
ile
ea
r
lier
ap
p
r
o
ac
h
es
s
u
c
h
as
Go
o
g
L
eNe
t+tr
ad
itio
n
a
l
ML
clas
s
if
ier
s
ar
e
less
co
m
p
e
titi
v
e
in
r
ec
e
n
t
co
m
p
ar
is
o
n
s
.
T
h
e
s
tr
e
n
g
th
o
f
t
h
ese
m
o
d
els
lie
s
in
th
eir
ab
ili
t
y
to
lear
n
co
m
p
le
x
p
atter
n
s
,
r
e
d
u
cin
g
r
elia
n
ce
o
n
m
an
u
al
in
ter
p
r
etatio
n
a
n
d
en
a
b
lin
g
ea
r
lier
d
ia
g
n
o
s
e
s
.
T
ec
h
n
iq
u
e
s
li
k
e
Gr
ad
-
C
A
M
a
n
d
ar
ch
itect
u
r
es
s
u
c
h
a
s
R
esNet5
0
f
u
r
t
h
er
b
o
o
s
t
in
te
r
p
r
etab
ilit
y
a
n
d
cli
n
ical
co
n
f
id
en
ce
.
Ho
w
e
v
er
,
cli
n
ical
a
d
o
p
tio
n
s
till
f
ac
es
ch
alle
n
g
e
s
lik
e
in
ter
-
p
atie
n
t
v
ar
iab
ilit
y
,
li
m
i
ted
a
n
n
o
tat
ed
d
ata,
o
v
er
f
itti
n
g
an
d
a
lack
o
f
lar
g
e
-
s
ca
le
v
alid
a
tio
n
.
R
e
g
u
lato
r
y
r
eq
u
ir
e
m
en
ts
an
d
tr
an
s
p
ar
en
t
A
I
b
eh
av
io
r
r
e
m
ain
k
e
y
h
u
r
d
les.
Fu
t
u
r
e
r
esear
ch
s
h
o
u
ld
f
o
cu
s
o
n
d
e
v
elo
p
in
g
m
o
d
el
s
t
h
at
g
en
er
alize
ac
r
o
s
s
p
atie
n
t
d
iv
er
s
it
y
,
i
n
teg
r
ati
n
g
m
u
lti
-
m
o
d
al
d
ata
d
ep
lo
y
in
g
in
ter
p
r
etab
le
A
I
tech
n
iq
u
es
,
o
p
tim
izin
g
m
o
d
els
f
o
r
r
ea
l
-
ti
m
e
ed
g
e
d
ep
lo
y
m
en
t
a
n
d
alig
n
i
n
g
d
ee
p
lear
n
in
g
s
y
s
te
m
s
w
it
h
cli
n
ical
s
ta
n
d
ar
d
s
to
b
u
ild
tr
u
s
t i
n
A
I
-
a
s
s
i
s
ted
d
iag
n
o
s
tics
.
F
UNDIN
G
I
NF
O
RM
AT
I
O
N
Au
t
h
o
r
s
ce
r
tify
th
a
t th
i
s
r
esear
ch
d
id
n
o
t r
ec
eiv
e
an
y
f
u
n
d
in
g
.
AUTHO
R
CO
NT
RIB
UT
I
O
NS ST
A
T
E
M
E
NT
T
h
is
jo
u
r
n
al
u
s
e
s
th
e
C
o
n
tr
ib
u
to
r
R
o
les
T
ax
o
n
o
m
y
(
C
R
ed
iT
)
t
o
r
ec
o
g
n
ize
in
d
i
v
id
u
al
au
t
h
o
r
co
n
tr
ib
u
tio
n
s
,
r
ed
u
ce
au
t
h
o
r
s
h
ip
d
is
p
u
tes,
an
d
f
ac
ilit
ate
co
lla
b
o
r
atio
n
.
Na
m
e
o
f
Aut
ho
r
C
M
So
Va
Fo
I
R
D
O
E
Vi
Su
P
Fu
Sh
r
is
h
a
Ma
d
d
u
r
R
a
m
e
s
h
✓
✓
✓
✓
✓
✓
✓
C
h
i
tr
ap
ad
i
Gu
r
u
r
aj
✓
✓
✓
✓
✓
✓
C
:
C
o
n
c
e
p
t
u
a
l
i
z
a
t
i
o
n
M
:
M
e
t
h
o
d
o
l
o
g
y
So
:
So
f
t
w
a
r
e
Va
:
Va
l
i
d
a
t
i
o
n
Fo
:
Fo
r
mal
a
n
a
l
y
si
s
I
:
I
n
v
e
st
i
g
a
t
i
o
n
R
:
R
e
so
u
r
c
e
s
D
:
D
a
t
a
C
u
r
a
t
i
o
n
O
:
W
r
i
t
i
n
g
-
O
r
i
g
i
n
a
l
D
r
a
f
t
E
:
W
r
i
t
i
n
g
-
R
e
v
i
e
w
&
E
d
i
t
i
n
g
Vi
:
Vi
su
a
l
i
z
a
t
i
o
n
Su
:
Su
p
e
r
v
i
si
o
n
P
:
P
r
o
j
e
c
t
a
d
mi
n
i
st
r
a
t
i
o
n
Fu
:
Fu
n
d
i
n
g
a
c
q
u
i
si
t
i
o
n
CO
NF
L
I
C
T
O
F
I
N
T
E
R
E
S
T
ST
A
T
E
M
E
NT
Au
t
h
o
r
s
s
tate
n
o
co
n
f
lic
t o
f
i
n
t
er
est.
DATA AV
AI
L
AB
I
L
I
T
Y
Data
av
ailab
ilit
y
is
n
o
t
ap
p
licab
le
to
th
is
p
ap
er
as
n
o
n
ew
d
ata
w
er
e
cr
ea
ted
o
r
an
aly
ze
d
in
th
i
s
s
tu
d
y
.
RE
F
E
R
E
NC
E
S
[
1
]
A
.
Y
o
u
n
i
s
,
L
.
Q
i
a
n
g
,
C
.
O
.
N
y
a
t
e
g
a
,
M
.
J.
A
d
a
m
u
,
a
n
d
H
.
B
.
K
a
w
u
w
a
,
“
B
r
a
i
n
T
u
mo
r
A
n
a
l
y
si
s
U
si
n
g
D
e
e
p
L
e
a
r
n
i
n
g
a
n
d
V
G
G
-
1
6
E
n
se
mb
l
i
n
g
L
e
a
r
n
i
n
g
A
p
p
r
o
a
c
h
e
s,
”
A
p
p
l
.
S
c
i
.
,
v
o
l
.
1
2
,
n
o
.
1
4
,
2
0
2
2
,
d
o
i
:
1
0
.
3
3
9
0
/
a
p
p
1
2
1
4
7
2
8
2
.
[
2
]
R
.
R
a
n
j
b
a
r
z
a
d
e
h
,
A
.
B
.
K
a
sg
a
r
i
,
S
.
J
.
G
h
o
u
sh
c
h
i
,
S
.
A
n
a
r
i
,
M
.
N
a
se
r
i
,
a
n
d
M
.
B
e
n
d
e
c
h
a
c
h
e
,
“
B
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
b
a
se
d
o
n
d
e
e
p
l
e
a
r
n
i
n
g
a
n
d
a
n
a
t
t
e
n
t
i
o
n
me
c
h
a
n
i
sm
u
s
i
n
g
M
R
I
mu
l
t
i
-
mo
d
a
l
i
t
i
e
s
b
r
a
i
n
i
m
a
g
e
s,”
S
c
i
.
Re
p
.
,
v
o
l
.
1
1
,
n
o
.
1
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
3
8
/
s
4
1
5
9
8
-
0
2
1
-
9
0
4
2
8
-
8.
[
3
]
L
.
H
.
S
h
e
h
a
b
,
O
.
M
.
F
a
h
my
,
S
.
M
.
G
a
sse
r
,
a
n
d
M
.
S
.
El
-
M
a
h
a
l
l
a
w
y
,
“
A
n
e
f
f
i
c
i
e
n
t
b
r
a
i
n
t
u
mo
r
i
m
a
g
e
se
g
me
n
t
a
t
i
o
n
b
a
se
d
o
n
d
e
e
p
r
e
si
d
u
a
l
n
e
t
w
o
r
k
s
(
R
e
sN
e
t
s)
,
”
J
.
K
i
n
g
S
a
u
d
U
n
i
v
.
-
E
n
g
.
S
c
i
.
,
v
o
l
.
3
3
,
n
o
.
6
,
p
p
.
4
0
4
–
4
1
2
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
j
k
su
e
s.
2
0
2
0
.
0
6
.
0
0
1
.
[
4
]
L
.
L
i
,
M
.
W
a
n
g
,
X
.
J
i
a
n
g
,
a
n
d
Y
.
L
i
n
,
“
U
n
i
v
e
r
sal
m
u
l
t
i
-
f
a
c
t
o
r
f
e
a
t
u
r
e
se
l
e
c
t
i
o
n
me
t
h
o
d
f
o
r
r
a
d
i
o
mi
c
s
-
b
a
se
d
b
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
,
”
C
o
m
p
u
t
.
B
i
o
l
.
Me
d
.
,
v
o
l
.
1
6
4
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
m
p
b
i
o
me
d
.
2
0
2
3
.
1
0
7
1
2
2
.
[
5
]
Y
.
D
i
a
o
,
F
.
L
i
,
a
n
d
Z
.
L
i
,
“
Jo
i
n
t
l
e
a
r
n
i
n
g
-
b
a
se
d
f
e
a
t
u
r
e
r
e
c
o
n
st
r
u
c
t
i
o
n
a
n
d
e
n
h
a
n
c
e
d
n
e
t
w
o
r
k
f
o
r
i
n
c
o
mp
l
e
t
e
mu
l
t
i
-
mo
d
a
l
b
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
,
”
C
o
m
p
u
t
.
B
i
o
l
.
Me
d
.
,
v
o
l
.
1
6
3
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
mp
b
i
o
me
d
.
2
0
2
3
.
1
0
7
2
3
4
.
[
6
]
D
.
R
.
N
a
y
a
k
,
N
.
P
a
d
h
y
,
P
.
K
.
M
a
l
l
i
c
k
,
a
n
d
A
.
S
i
n
g
h
,
“
A
d
e
e
p
a
u
t
o
e
n
c
o
d
e
r
a
p
p
r
o
a
c
h
f
o
r
d
e
t
e
c
t
i
o
n
o
f
b
r
a
i
n
t
u
mo
r
i
m
a
g
e
s,
”
C
o
m
p
u
t
.
El
e
c
t
r.
En
g
.
,
v
o
l
.
1
0
2
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
mp
e
l
e
c
e
n
g
.
2
0
2
2
.
1
0
8
2
3
8
.
[
7
]
B
.
P
.
S
.
K
u
mar,
S
.
B
.
S
h
a
i
k
,
a
n
d
H
.
M
u
l
a
m
,
“
H
i
g
h
-
p
e
r
f
o
r
man
c
e
c
o
m
p
r
e
ssi
o
n
-
b
a
se
d
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
l
i
g
h
t
w
e
i
g
h
t
o
p
t
i
m
a
l
d
e
e
p
n
e
u
r
a
l
n
e
t
w
o
r
k
,
”
Ad
v
.
E
n
g
.
S
o
f
t
w
.
,
v
o
l
.
1
7
3
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
a
d
v
e
n
g
so
f
t
.
2
0
2
2
.
1
0
3
2
4
8
.
[
8
]
E.
Ö
z
b
a
y
a
n
d
F
.
A
.
Ö
z
b
a
y
,
“
I
n
t
e
r
p
r
e
t
a
b
l
e
f
e
a
t
u
r
e
s
f
u
si
o
n
w
i
t
h
p
r
e
c
i
si
o
n
M
R
I
i
mag
e
s
d
e
e
p
h
a
sh
i
n
g
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
,
”
C
o
m
p
u
t
.
Me
t
h
o
d
s
Pro
g
r
a
m
s B
i
o
m
e
d
.
,
v
o
l
.
2
3
1
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
mp
b
.
2
0
2
3
.
1
0
7
3
8
7
.
[
9
]
K
.
Jasp
i
n
a
n
d
S
.
S
e
l
v
a
n
,
“
M
u
l
t
i
c
l
a
ss
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
b
a
se
d
c
l
a
ssi
f
i
c
a
t
i
o
n
f
o
r
t
h
e
d
i
a
g
n
o
si
s
o
f
b
r
a
i
n
M
R
I
i
mag
e
s,”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
2
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
2
.
1
0
4
5
4
2
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
1
,
Ma
r
c
h
202
6
:
2
1
4
-
223
220
[
1
0
]
J.
C
h
a
k
i
a
n
d
M
.
W
o
ź
n
i
a
k
,
“
A
d
e
e
p
l
e
a
r
n
i
n
g
b
a
se
d
f
o
u
r
-
f
o
l
d
a
p
p
r
o
a
c
h
t
o
c
l
a
ssi
f
y
b
r
a
i
n
M
R
I
:
B
T
S
C
N
e
t
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
5
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
3
.
1
0
4
9
0
2
.
[
1
1
]
E.
D
a
n
d
ı
l
a
n
d
S
.
K
a
r
a
c
a
,
“
D
e
t
e
c
t
i
o
n
o
f
p
se
u
d
o
b
r
a
i
n
t
u
mo
r
s
v
i
a
s
t
a
c
k
e
d
L
S
T
M
n
e
u
r
a
l
n
e
t
w
o
r
k
s
u
si
n
g
M
R
s
p
e
c
t
r
o
sco
p
y
si
g
n
a
l
s,”
Bi
o
c
y
b
e
r
n
.
Bi
o
m
e
d
.
E
n
g
.
,
v
o
l
.
4
1
,
n
o
.
1
,
p
p
.
1
7
3
–
1
9
5
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
b
e
.
2
0
2
0
.
1
2
.
0
0
3
.
[
1
2
]
A
.
C
h
a
t
t
o
p
a
d
h
y
a
y
a
n
d
M
.
M
a
i
t
r
a
,
“
M
R
I
-
b
a
se
d
b
r
a
i
n
t
u
mo
u
r
i
mag
e
d
e
t
e
c
t
i
o
n
u
si
n
g
C
N
N
b
a
se
d
d
e
e
p
l
e
a
r
n
i
n
g
me
t
h
o
d
,
”
S
m
a
r
t
Ag
ri
c
.
T
e
c
h
n
o
l
.
,
v
o
l
.
2
,
n
o
.
4
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
n
e
u
r
i
.
2
0
2
2
.
1
0
0
0
6
0
.
[
1
3
]
O
.
T
u
r
k
,
D
.
O
z
h
a
n
,
E
.
A
c
a
r
,
T
.
C
.
A
k
i
n
c
i
,
a
n
d
M
.
Y
i
l
maz
,
“
A
u
t
o
mat
i
c
d
e
t
e
c
t
i
o
n
o
f
b
r
a
i
n
t
u
mo
r
s
w
i
t
h
t
h
e
a
i
d
o
f
e
n
se
mb
l
e
d
e
e
p
l
e
a
r
n
i
n
g
a
r
c
h
i
t
e
c
t
u
r
e
s
a
n
d
c
l
a
ss
a
c
t
i
v
a
t
i
o
n
ma
p
i
n
d
i
c
a
t
o
r
s
b
y
e
mp
l
o
y
i
n
g
mag
n
e
t
i
c
r
e
so
n
a
n
c
e
i
mag
e
s,”
Z
.
M
e
d
.
Ph
y
s
.
,
v
o
l
.
3
4
,
n
o
.
2
,
p
p
.
2
7
8
–
2
9
0
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
z
e
me
d
i
.
2
0
2
2
.
1
1
.
0
1
0
.
[
1
4
]
C
.
Q
i
n
,
B
.
L
i
,
a
n
d
B
.
H
a
n
,
“
F
a
st
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
a
d
a
p
t
i
v
e
st
o
c
h
a
st
i
c
g
r
a
d
i
e
n
t
d
e
sce
n
t
o
n
s
h
a
r
e
d
-
me
mo
r
y
p
a
r
a
l
l
e
l
e
n
v
i
r
o
n
me
n
t
,
”
E
n
g
.
Ap
p
l
.
Ar
t
i
f
.
I
n
t
e
l
l
.
,
v
o
l
.
1
2
0
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
e
n
g
a
p
p
a
i
.
2
0
2
2
.
1
0
5
8
1
6
.
[
1
5
]
R
.
S
.
D
e
v
i
,
B
.
P
e
r
u
mal
,
a
n
d
M
.
P
.
R
a
j
a
se
k
a
r
a
n
,
“
A
h
y
b
r
i
d
d
e
e
p
l
e
a
r
n
i
n
g
b
a
se
d
b
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
a
n
d
se
g
me
n
t
a
t
i
o
n
b
y
st
a
t
i
o
n
a
r
y
w
a
v
e
l
e
t
p
a
c
k
e
t
t
r
a
n
sf
o
r
m
a
n
d
a
d
a
p
t
i
v
e
k
e
r
n
e
l
f
u
z
z
y
c
me
a
n
s
c
l
u
s
t
e
r
i
n
g
,
”
A
d
v
.
E
n
g
.
S
o
f
t
w
.
,
v
o
l
.
1
7
0
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
a
d
v
e
n
g
so
f
t
.
2
0
2
2
.
1
0
3
1
4
6
.
[
1
6
]
D
.
R
a
mm
u
r
t
h
y
a
n
d
P
.
K
.
M
a
h
e
sh
,
“
W
h
a
l
e
H
a
r
r
i
s
h
a
w
k
s
o
p
t
i
m
i
z
a
t
i
o
n
b
a
se
d
d
e
e
p
l
e
a
r
n
i
n
g
c
l
a
ss
i
f
i
e
r
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
M
R
I
i
mag
e
s,”
J
.
K
i
n
g
S
a
u
d
U
n
i
v
.
-
C
o
m
p
u
t
.
I
n
f
.
S
c
i
.
,
v
o
l
.
3
4
,
n
o
.
6
,
p
p
.
3
2
5
9
–
3
2
7
2
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
j
k
su
c
i
.
2
0
2
0
.
0
8
.
0
0
6
.
[
1
7
]
N
.
K
e
sav
a
n
d
M
.
G
.
Ji
b
u
k
u
mar,
“
Ef
f
i
c
i
e
n
t
a
n
d
l
o
w
c
o
mp
l
e
x
a
r
c
h
i
t
e
c
t
u
r
e
f
o
r
d
e
t
e
c
t
i
o
n
a
n
d
c
l
a
ssi
f
i
c
a
t
i
o
n
o
f
B
r
a
i
n
T
u
mo
r
u
si
n
g
R
C
N
N
w
i
t
h
T
w
o
C
h
a
n
n
e
l
C
N
N
,
”
J
.
K
i
n
g
S
a
u
d
U
n
i
v
.
-
C
o
m
p
u
t
.
I
n
f
.
S
c
i
.
,
v
o
l
.
3
4
,
n
o
.
8
,
p
p
.
6
2
2
9
–
6
2
4
2
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
j
k
su
c
i
.
2
0
2
1
.
0
5
.
0
0
8
.
[
1
8
]
S
.
M
.
A
l
z
a
h
r
a
n
i
,
“
C
o
n
v
A
t
t
e
n
M
i
x
e
r
:
B
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
a
n
d
t
y
p
e
c
l
a
ssi
f
i
c
a
t
i
o
n
u
si
n
g
c
o
n
v
o
l
u
t
i
o
n
a
l
mi
x
e
r
w
i
t
h
e
x
t
e
r
n
a
l
a
n
d
se
l
f
-
a
t
t
e
n
t
i
o
n
me
c
h
a
n
i
sms
,
”
J
.
K
i
n
g
S
a
u
d
U
n
i
v
.
-
C
o
m
p
u
t
.
I
n
f
.
S
c
i
.
,
v
o
l
.
3
5
,
n
o
.
1
0
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
j
k
su
c
i
.
2
0
2
3
.
1
0
1
8
1
0
.
[
1
9
]
P
.
R
a
z
z
a
g
h
i
,
K
.
A
b
b
a
s
i
,
M
.
S
h
i
r
a
z
i
,
a
n
d
S
.
R
a
sh
i
d
i
,
“
M
u
l
t
i
mo
d
a
l
b
r
a
i
n
t
u
m
o
r
d
e
t
e
c
t
i
o
n
u
s
i
n
g
mu
l
t
i
mo
d
a
l
d
e
e
p
t
r
a
n
sf
e
r
l
e
a
r
n
i
n
g
,
”
Ap
p
l
.
S
o
f
t
C
o
m
p
u
t
.
,
v
o
l
.
1
2
9
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
a
so
c
.
2
0
2
2
.
1
0
9
6
3
1
.
[
2
0
]
C
.
Ö
k
s
ü
z
,
O
.
U
r
h
a
n
,
a
n
d
M
.
K
.
G
ü
l
l
ü
,
“
B
r
a
i
n
t
u
mo
r
c
l
a
ss
i
f
i
c
a
t
i
o
n
u
si
n
g
t
h
e
f
u
se
d
f
e
a
t
u
r
e
s
e
x
t
r
a
c
t
e
d
f
r
o
m
e
x
p
a
n
d
e
d
t
u
mo
r
r
e
g
i
o
n
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
ro
l
,
v
o
l
.
7
2
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
1
.
1
0
3
3
5
6
.
[
2
1
]
T
.
S
.
K
u
mar,
C
.
A
r
u
n
,
a
n
d
P
.
Ez
h
u
m
a
l
a
i
,
“
A
n
a
p
p
r
o
a
c
h
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
o
p
t
i
mal
f
e
a
t
u
r
e
se
l
e
c
t
i
o
n
a
n
d
o
p
t
i
mi
z
e
d
d
e
e
p
b
e
l
i
e
f
n
e
t
w
o
r
k
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
7
3
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
1
.
1
0
3
4
4
0
.
[
2
2
]
K
.
S
.
A
.
K
u
mar,
A
.
Y
.
P
r
a
s
a
d
,
a
n
d
J.
M
e
t
a
n
,
“
A
h
y
b
r
i
d
d
e
e
p
C
N
N
-
C
o
v
-
19
-
R
e
s
-
N
e
t
T
r
a
n
sf
e
r
l
e
a
r
n
i
n
g
a
r
c
h
i
t
y
p
e
f
o
r
a
n
e
n
h
a
n
c
e
d
B
r
a
i
n
t
u
mo
r
D
e
t
e
c
t
i
o
n
a
n
d
C
l
a
ssi
f
i
c
a
t
i
o
n
s
c
h
e
me
i
n
me
d
i
c
a
l
i
mag
e
p
r
o
c
e
s
si
n
g
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
7
6
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
2
.
1
0
3
6
3
1
.
[
2
3
]
S
.
K
.
R
.
C
h
i
n
n
a
m
,
V
.
S
i
st
l
a
,
a
n
d
V
.
K
.
K
.
K
o
l
l
i
,
“
M
u
l
t
i
mo
d
a
l
a
t
t
e
n
t
i
o
n
-
g
a
t
e
d
c
a
sc
a
d
e
d
U
-
N
e
t
mo
d
e
l
f
o
r
a
u
t
o
mat
i
c
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
a
n
d
se
g
me
n
t
a
t
i
o
n
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
7
8
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
2
.
1
0
3
9
0
7
.
[
2
4
]
G
.
N
i
r
mal
a
p
r
i
y
a
,
V
.
A
g
a
l
y
a
,
R
.
R
e
g
u
n
a
t
h
a
n
,
a
n
d
M
.
B
.
J
.
A
n
a
n
t
h
,
“
F
r
a
c
t
i
o
n
a
l
A
q
u
i
l
a
s
p
i
d
e
r
mo
n
k
e
y
o
p
t
i
mi
z
a
t
i
o
n
b
a
se
d
d
e
e
p
l
e
a
r
n
i
n
g
n
e
t
w
o
r
k
f
o
r
c
l
a
ssi
f
i
c
a
t
i
o
n
o
f
b
r
a
i
n
t
u
mo
r
,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
7
9
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
2
.
1
0
4
0
1
7
.
[
2
5
]
V
.
V
.
K
u
mar
a
n
d
P
.
G
.
K
.
P
r
i
n
c
e
,
“
D
e
e
p
b
e
l
i
e
f
n
e
t
w
o
r
k
A
ssi
st
e
d
q
u
a
d
r
a
t
i
c
l
o
g
i
t
b
o
o
st
c
l
a
ssi
f
i
e
r
f
o
r
b
r
a
i
n
t
u
m
o
r
d
e
t
e
c
t
i
o
n
u
si
n
g
M
R
i
m
a
g
e
s,”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
1
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
2
.
1
0
4
4
1
5
.
[
2
6
]
A
.
H
.
B
a
sh
k
a
n
d
i
,
K
.
S
a
d
o
u
g
h
i
,
F
.
A
f
l
a
k
i
,
H
.
A
.
A
l
k
h
a
z
a
l
e
h
,
H
.
M
o
h
a
mm
a
d
i
,
a
n
d
G
.
Ji
me
n
e
z
,
“
C
o
mb
i
n
a
t
i
o
n
o
f
p
o
l
i
t
i
c
a
l
o
p
t
i
m
i
z
e
r
,
p
a
r
t
i
c
l
e
sw
a
r
m
o
p
t
i
m
i
z
e
r
,
a
n
d
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
1
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
2
.
1
0
4
4
3
4
.
[
2
7
]
B
.
M
.
P
a
c
h
e
c
o
,
G
.
d
e
S
.
e
.
C
a
ss
i
a
,
a
n
d
D
.
S
i
l
v
a
,
“
T
o
w
a
r
d
s
f
u
l
l
y
a
u
t
o
m
a
t
e
d
d
e
e
p
-
l
e
a
r
n
i
n
g
-
b
a
se
d
b
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
:
I
s
b
r
a
i
n
e
x
t
r
a
c
t
i
o
n
s
t
i
l
l
n
e
c
e
ssary
?
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
2
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
2
.
1
0
4
5
1
4
.
[
2
8
]
N
.
Z
h
e
n
g
,
G
.
Z
h
a
n
g
,
Y
.
Z
h
a
n
g
,
a
n
d
F
.
R
.
S
h
e
y
k
h
a
h
ma
d
,
“
B
r
a
i
n
t
u
mo
r
d
i
a
g
n
o
si
s
b
a
se
d
o
n
Z
e
r
n
i
k
e
mo
me
n
t
s
a
n
d
s
u
p
p
o
r
t
v
e
c
t
o
r
mac
h
i
n
e
o
p
t
i
m
i
z
e
d
b
y
c
h
a
o
t
i
c
a
r
i
t
h
me
t
i
c
o
p
t
i
mi
z
a
t
i
o
n
a
l
g
o
r
i
t
h
m
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
s
s.
C
o
n
t
ro
l
,
v
o
l
.
8
2
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
2
.
1
0
4
5
4
3
.
[
2
9
]
K
.
R
.
P
e
d
a
d
a
,
A
.
B
.
R
a
o
,
K
.
K
.
P
a
t
r
o
,
J.
P
.
A
l
l
a
m,
M
.
M
.
Jam
j
o
o
m,
a
n
d
N
.
A
.
S
a
me
e
,
“
A
n
o
v
e
l
a
p
p
r
o
a
c
h
f
o
r
b
r
a
i
n
t
u
mo
u
r
d
e
t
e
c
t
i
o
n
u
si
n
g
d
e
e
p
l
e
a
r
n
i
n
g
b
a
se
d
t
e
c
h
n
i
q
u
e
,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
2
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
2
.
1
0
4
5
4
9
.
[
3
0
]
A
.
K
.
S
h
a
r
ma
e
t
a
l
.
,
“
H
O
G
t
r
a
n
sf
o
r
mat
i
o
n
b
a
se
d
f
e
a
t
u
r
e
e
x
t
r
a
c
t
i
o
n
f
r
a
mew
o
r
k
i
n
mo
d
i
f
i
e
d
R
e
sn
e
t
5
0
mo
d
e
l
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
4
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
3
.
1
0
4
7
3
7
.
[
3
1
]
Z
.
S
o
b
h
a
n
i
n
i
a
,
N
.
K
a
r
i
mi
,
P
.
K
h
a
d
i
v
i
,
a
n
d
S
.
S
a
mav
i
,
“
B
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
b
y
c
a
sca
d
e
d
m
u
l
t
i
s
c
a
l
e
mu
l
t
i
t
a
s
k
l
e
a
r
n
i
n
g
f
r
a
mew
o
r
k
b
a
se
d
o
n
f
e
a
t
u
r
e
a
g
g
r
e
g
a
t
i
o
n
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
5
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
4
8
3
4
.
[
3
2
]
B
.
S
a
r
a
l
a
,
G
.
S
u
mat
h
y
,
A
.
V
.
K
a
l
p
a
n
a
,
a
n
d
J
.
J
.
H
e
p
h
z
i
p
a
h
,
“
G
l
i
o
ma
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
d
u
a
l
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
s
a
n
d
h
i
s
t
o
g
r
a
m
d
e
n
s
i
t
y
se
g
me
n
t
a
t
i
o
n
a
l
g
o
r
i
t
h
m,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
5
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
4
8
5
9
.
[
3
3
]
T
.
R
u
b
a
,
R
.
T
a
mi
l
se
l
v
i
,
a
n
d
M
.
P
.
B
e
h
a
m,
“
B
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
u
s
i
n
g
JG
a
t
e
-
A
t
t
R
e
sU
N
e
t
–
A
n
o
v
e
l
d
e
e
p
l
e
a
r
n
i
n
g
a
p
p
r
o
a
c
h
,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
4
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
3
.
1
0
4
9
2
6
.
[
3
4
]
P
.
K
a
n
c
h
a
n
a
m
a
l
a
,
K
.
G
.
R
e
v
a
t
h
i
,
a
n
d
M
.
B
.
J.
A
n
a
n
t
h
,
“
O
p
t
i
m
i
z
a
t
i
o
n
-
e
n
a
b
l
e
d
h
y
b
r
i
d
d
e
e
p
l
e
a
r
n
i
n
g
f
o
r
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
a
n
d
c
l
a
ssi
f
i
c
a
t
i
o
n
f
r
o
m M
R
I
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
ro
l
,
v
o
l
.
8
4
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
4
9
5
5
.
[
3
5
]
Y
.
W
a
n
g
,
J.
C
h
e
n
,
a
n
d
X
.
B
a
i
,
“
G
r
a
d
i
e
n
t
-
a
ssi
st
e
d
d
e
e
p
mo
d
e
l
f
o
r
b
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
b
y
mu
l
t
i
-
mo
d
a
l
i
t
y
M
R
I
v
o
l
u
me
s,”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
s
s.
C
o
n
t
r
o
l
,
v
o
l
.
8
5
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
3
.
1
0
5
0
6
6
.
[
3
6
]
B
.
S
h
y
a
mal
a
a
n
d
S
.
H
.
B
r
a
h
ma
n
a
n
d
a
,
“
B
r
a
i
n
t
u
mo
r
C
l
a
ss
i
f
i
c
a
t
i
o
n
u
s
i
n
g
O
p
t
i
m
i
z
e
d
a
n
d
R
e
l
i
e
f
-
b
a
se
d
F
e
a
t
u
r
e
R
e
d
u
c
t
i
o
n
a
n
d
R
e
g
r
e
ssi
o
n
N
e
u
r
a
l
N
e
t
w
o
r
k
,
”
B
i
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
s
s.
C
o
n
t
ro
l
,
v
o
l
.
8
6
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
5
2
7
9
.
[
3
7
]
C
.
G
.
B
.
Y
o
g
a
n
a
n
d
a
e
t
a
l
.
,
“
A
f
u
l
l
y
a
u
t
o
ma
t
e
d
d
e
e
p
l
e
a
r
n
i
n
g
n
e
t
w
o
r
k
f
o
r
b
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
,
”
T
o
m
o
g
r
a
p
h
y
,
v
o
l
.
6
,
n
o
.
2
,
p
p
.
1
8
6
–
1
9
3
,
2
0
2
0
,
d
o
i
:
1
0
.
1
8
3
8
3
/
j
.
t
o
m.2
0
1
9
.
0
0
0
2
6
.
[
3
8
]
M
.
G
e
e
t
h
a
,
V
.
S
r
i
n
a
d
h
,
J.
Ja
n
e
t
,
a
n
d
S
.
S
u
ma
t
h
i
,
“
H
y
b
r
i
d
A
r
c
h
i
me
d
e
s
S
i
n
e
C
o
si
n
e
o
p
t
i
m
i
z
a
t
i
o
n
e
n
a
b
l
e
d
D
e
e
p
L
e
a
r
n
i
n
g
f
o
r
mu
l
t
i
l
e
v
e
l
b
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
u
s
i
n
g
M
R
I
i
mag
e
s,”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
7
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
5
4
1
9
.
[
3
9
]
N
.
N
a
g
a
r
a
n
i
,
R
.
K
a
r
t
h
i
c
k
,
M
.
S
.
C
.
S
o
p
h
i
a
,
a
n
d
M
.
B
.
B
i
n
d
a
,
“
S
e
l
f
-
a
t
t
e
n
t
i
o
n
b
a
se
d
p
r
o
g
r
e
ssi
v
e
g
e
n
e
r
a
t
i
v
e
a
d
v
e
r
sari
a
l
n
e
t
w
o
r
k
o
p
t
i
m
i
z
e
d
w
i
t
h
mo
me
n
t
u
m
se
a
r
c
h
o
p
t
i
mi
z
a
t
i
o
n
a
l
g
o
r
i
t
h
m
f
o
r
c
l
a
ssi
f
i
c
a
t
i
o
n
o
f
b
r
a
i
n
t
u
mo
r
o
n
M
R
I
i
mag
e
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
8
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
5
5
9
7
.
[
4
0
]
S
.
B
a
l
a
s
u
b
r
a
ma
n
i
a
n
,
J.
M
a
n
d
a
l
a
,
T
.
V
.
M
.
R
a
o
,
a
n
d
A
.
M
i
sr
a
,
“
R
F
-
S
h
C
N
N
:
A
c
o
mb
i
n
a
t
i
o
n
o
f
t
w
o
d
e
e
p
mo
d
e
l
s
f
o
r
t
u
mo
r
d
e
t
e
c
t
i
o
n
i
n
b
r
a
i
n
u
si
n
g
M
R
I
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pro
c
e
ss
.
C
o
n
t
r
o
l
,
v
o
l
.
8
8
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
sp
c
.
2
0
2
3
.
1
0
5
6
5
6
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
d
va
n
ce
d
MRI
-
b
a
s
ed
d
ee
p
le
a
r
n
in
g
fo
r
b
r
a
in
tu
mo
r
s
:
a
five
-
ye
a
r
r
ev
iew
o
f
…
(
S
h
r
i
s
h
a
Ma
d
d
u
r
R
a
mesh
)
221
[
4
1
]
A
.
P
r
i
y
a
a
n
d
V
.
V
a
su
d
e
v
a
n
,
“
B
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
a
n
d
d
e
t
e
c
t
i
o
n
v
i
a
h
y
b
r
i
d
a
l
e
x
n
e
t
-
g
r
u
b
a
se
d
o
n
d
e
e
p
l
e
a
r
n
i
n
g
,
”
Bi
o
m
e
d
.
S
i
g
n
a
l
Pr
o
c
e
ss.
C
o
n
t
r
o
l
,
v
o
l
.
8
9
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
b
s
p
c
.
2
0
2
3
.
1
0
5
7
1
6
.
[
42
]
A
.
S
.
R
.
A
j
a
i
a
n
d
S
.
G
o
p
a
l
a
n
,
“
C
o
m
p
a
r
a
t
i
v
e
A
n
a
l
y
si
s
o
f
Ei
g
h
t
D
i
r
e
c
t
i
o
n
S
o
b
e
l
Ed
g
e
D
e
t
e
c
t
i
o
n
A
l
g
o
r
i
t
h
m
f
o
r
B
r
a
i
n
T
u
mo
r
M
R
I
I
mag
e
s,”
Pr
o
c
e
d
i
a
C
o
m
p
u
t
.
S
c
i
.
,
v
o
l
.
2
0
1
,
n
o
.
C
,
p
p
.
4
8
7
–
4
9
4
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
p
r
o
c
s.
2
0
2
2
.
0
3
.
0
6
3
.
[
4
3
]
S
.
S
a
n
g
u
i
,
T
.
I
q
b
a
l
,
P
.
C
.
C
h
a
n
d
r
a
,
S
.
K
.
G
h
o
sh
,
a
n
d
A
.
G
h
o
sh
,
“
3
D
M
R
I
S
e
g
me
n
t
a
t
i
o
n
u
si
n
g
U
-
N
e
t
A
r
c
h
i
t
e
c
t
u
r
e
f
o
r
t
h
e
d
e
t
e
c
t
i
o
n
o
f
B
r
a
i
n
T
u
mo
r
,
”
Pr
o
c
e
d
i
a
C
o
m
p
u
t
.
S
c
i
.
,
v
o
l
.
2
1
8
,
p
p
.
5
4
2
–
5
5
3
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
p
r
o
c
s.
2
0
2
3
.
0
1
.
0
3
6
.
[
4
4
]
S
.
P
a
t
i
l
a
n
d
D
.
K
i
r
a
n
g
e
,
“
E
n
se
mb
l
e
o
f
D
e
e
p
L
e
a
r
n
i
n
g
M
o
d
e
l
s
f
o
r
B
r
a
i
n
T
u
mo
r
D
e
t
e
c
t
i
o
n
,
”
Pro
c
e
d
i
a
C
o
m
p
u
t
.
S
c
i
.
,
v
o
l
.
2
1
8
,
p
p
.
2
4
6
8
–
2
4
7
9
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
p
r
o
c
s.2
0
2
3
.
0
1
.
2
2
2
.
[
4
5
]
M
.
O
.
K
h
a
i
r
a
n
d
i
sh
,
M
.
S
h
a
r
ma,
V
.
Jai
n
,
J.
M
.
C
h
a
t
t
e
r
j
e
e
,
a
n
d
N
.
Z
.
Jh
a
n
j
h
i
,
“
A
H
y
b
r
i
d
C
N
N
-
S
V
M
T
h
r
e
sh
o
l
d
S
e
g
me
n
t
a
t
i
o
n
A
p
p
r
o
a
c
h
f
o
r
T
u
mo
r
D
e
t
e
c
t
i
o
n
a
n
d
C
l
a
ss
i
f
i
c
a
t
i
o
n
o
f
M
R
I
B
r
a
i
n
I
mag
e
s,”
I
rb
m
,
v
o
l
.
4
3
,
n
o
.
4
,
p
p
.
2
9
0
–
2
9
9
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
i
r
b
m.
2
0
2
1
.
0
6
.
0
0
3
.
[
4
6
]
M
.
S
.
I
.
K
h
a
n
e
t
a
l
.
,
“
A
c
c
u
r
a
t
e
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
si
n
g
d
e
e
p
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
,
”
C
o
m
p
u
t
.
S
t
ru
c
t
.
Bi
o
t
e
c
h
n
o
l
.
J
.
,
v
o
l
.
2
0
,
p
p
.
4
7
3
3
–
4
7
4
5
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
s
b
j
.
2
0
2
2
.
0
8
.
0
3
9
.
[
4
7
]
T
.
R
a
h
m
a
n
a
n
d
M
.
S
.
I
s
l
a
m,
“
M
R
I
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
a
n
d
c
l
a
ss
i
f
i
c
a
t
i
o
n
u
s
i
n
g
p
a
r
a
l
l
e
l
d
e
e
p
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
s,”
Me
a
s.
S
e
n
s
o
rs
,
v
o
l
.
2
6
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
me
a
se
n
.
2
0
2
3
.
1
0
0
6
9
4
.
[
4
8
]
M
.
K
.
A
t
mak
u
r
i
,
A
.
G
.
R
a
m,
a
n
d
V
.
V
.
K
.
D
.
V
.
P
r
a
sa
d
,
“
R
e
l
i
a
b
l
e
i
m
a
g
e
me
t
r
i
c
s
-
b
a
se
d
b
r
a
i
n
t
u
mo
r
a
n
a
l
y
si
s
u
si
n
g
se
n
so
r
d
e
e
p
l
e
a
r
n
i
n
g
t
e
c
h
n
o
l
o
g
i
e
s,”
Me
a
s.
S
e
n
s
o
rs
,
v
o
l
.
2
9
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
me
a
se
n
.
2
0
2
3
.
1
0
0
8
6
4
.
[
4
9
]
M
.
K
.
I
sl
a
m,
M
.
S
.
A
l
i
,
M
.
S
.
M
i
a
h
,
M
.
M
.
R
a
h
ma
n
,
M
.
S
.
A
l
a
m,
a
n
d
M
.
A
.
H
o
ssai
n
,
“
B
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
i
n
M
R
i
mag
e
u
si
n
g
su
p
e
r
p
i
x
e
l
s,
p
r
i
n
c
i
p
a
l
c
o
m
p
o
n
e
n
t
a
n
a
l
y
si
s
a
n
d
t
e
mp
l
a
t
e
b
a
se
d
K
-
me
a
n
s
c
l
u
st
e
r
i
n
g
a
l
g
o
r
i
t
h
m,
”
M
a
c
h
.
L
e
a
rn
.
w
i
t
h
A
p
p
l
.
,
v
o
l
.
5
,
p
.
1
0
0
0
4
4
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
ml
w
a
.
2
0
2
1
.
1
0
0
0
4
4
.
[
5
0
]
C
.
J
.
T
se
n
g
a
n
d
C
.
T
a
n
g
,
“
A
n
o
p
t
i
mi
z
e
d
X
G
B
o
o
st
t
e
c
h
n
i
q
u
e
f
o
r
a
c
c
u
r
a
t
e
b
r
a
i
n
t
u
mo
r
d
e
t
e
c
t
i
o
n
u
s
i
n
g
f
e
a
t
u
r
e
se
l
e
c
t
i
o
n
a
n
d
i
mag
e
se
g
me
n
t
a
t
i
o
n
,
”
H
e
a
l
t
h
c
.
A
n
a
l
.
,
v
o
l
.
4
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
h
e
a
l
t
h
.
2
0
2
3
.
1
0
0
2
1
7
.
[
5
1
]
S
.
U
k
e
,
M
.
K
a
u
l
w
a
r
,
Y
.
K
a
w
t
i
k
w
a
r
,
S
.
K
h
a
d
se
,
a
n
d
A
.
K
h
a
n
d
a
r
e
,
“
B
r
a
i
n
T
u
mo
r
D
e
t
e
c
t
i
o
n
U
s
i
n
g
C
o
n
v
o
l
u
t
i
o
n
a
l
N
e
u
r
a
l
N
e
t
w
o
r
k
,
”
i
n
5
t
h
I
EEE
I
n
t
.
C
o
n
f
.
C
y
b
e
r
n
.
C
o
g
n
.
M
a
c
h
.
L
e
a
r
n
.
Ap
p
l
.
I
C
C
C
ML
A
2
0
2
3
,
2
0
2
3
,
p
p
.
1
0
4
–
1
1
2
,
d
o
i
:
1
0
.
1
1
0
9
/
I
C
C
C
M
L
A
5
8
9
8
3
.
2
0
2
3
.
1
0
3
4
6
7
6
4
.
[
5
2
]
S
.
D
e
e
p
a
k
a
n
d
P
.
M
.
A
me
e
r
,
“
B
r
a
i
n
t
u
mo
r
c
l
a
ss
i
f
i
c
a
t
i
o
n
u
s
i
n
g
d
e
e
p
C
N
N
f
e
a
t
u
r
e
s
v
i
a
t
r
a
n
sf
e
r
l
e
a
r
n
i
n
g
,
”
C
o
m
p
u
t
.
B
i
o
l
.
Me
d
.
,
v
o
l
.
1
1
,
2
0
1
9
.
[
5
3
]
M
.
A
.
N
a
se
r
a
n
d
M
.
J.
D
e
e
n
,
“
B
r
a
i
n
t
u
mo
r
se
g
me
n
t
a
t
i
o
n
a
n
d
g
r
a
d
i
n
g
o
f
l
o
w
e
r
-
g
r
a
d
e
g
l
i
o
ma
u
si
n
g
d
e
e
p
l
e
a
r
n
i
n
g
i
n
M
R
I
i
mag
e
s,”
C
o
m
p
u
t
.
Bi
o
l
.
Me
d
.
,
v
o
l
.
1
2
1
,
2
0
2
0
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
mp
b
i
o
me
d
.
2
0
2
0
.
1
0
3
7
5
8
.
[
5
4
]
G
.
S
.
T
a
n
d
e
l
,
A
.
B
a
l
e
st
r
i
e
r
i
,
T
.
J
u
j
a
r
a
y
,
N
.
N
.
K
h
a
n
n
a
,
L
.
S
a
b
a
,
a
n
d
J
.
S
.
S
u
r
i
,
“
M
u
l
t
i
c
l
a
ss
m
a
g
n
e
t
i
c
r
e
so
n
a
n
c
e
i
mag
i
n
g
b
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
u
si
n
g
a
r
t
i
f
i
c
i
a
l
i
n
t
e
l
l
i
g
e
n
c
e
p
a
r
a
d
i
g
m,”
C
o
m
p
u
t
.
B
i
o
l
.
M
e
d
.
,
v
o
l
.
1
2
2
,
2
0
2
0
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
mp
b
i
o
me
d
.
2
0
2
0
.
1
0
3
8
0
4
.
[
5
5
]
G
.
S
.
T
a
n
d
e
l
,
A
.
T
i
w
a
r
i
,
a
n
d
O
.
G
.
K
a
k
d
e
,
“
P
e
r
f
o
r
man
c
e
o
p
t
i
mi
sat
i
o
n
o
f
d
e
e
p
l
e
a
r
n
i
n
g
mo
d
e
l
s
u
si
n
g
ma
j
o
r
i
t
y
v
o
t
i
n
g
a
l
g
o
r
i
t
h
m
f
o
r
b
r
a
i
n
t
u
mo
u
r
c
l
a
ss
i
f
i
c
a
t
i
o
n
,
”
C
o
m
p
u
t
.
Bi
o
l
.
M
e
d
.
,
v
o
l
.
1
3
5
,
2
0
2
1
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
m
p
b
i
o
me
d
.
2
0
2
1
.
1
0
4
5
6
4
.
[
5
6
]
M
.
M
.
Emam
,
N
.
A
.
S
a
me
e
,
M
.
M
.
Ja
mj
o
o
m,
a
n
d
E.
H
.
H
o
u
sse
i
n
,
“
O
p
t
i
mi
z
e
d
d
e
e
p
l
e
a
r
n
i
n
g
a
r
c
h
i
t
e
c
t
u
r
e
f
o
r
b
r
a
i
n
t
u
mo
r
c
l
a
ssi
f
i
c
a
t
i
o
n
u
si
n
g
i
mp
r
o
v
e
d
H
u
n
g
e
r
G
a
me
s
S
e
a
r
c
h
A
l
g
o
r
i
t
h
m,
”
C
o
m
p
u
t
.
B
i
o
l
.
M
e
d
.
,
v
o
l
.
1
6
0
,
2
0
2
3
,
d
o
i
:
1
0
.
1
0
1
6
/
j
.
c
o
mp
b
i
o
me
d
.
2
0
2
3
.
1
0
6
9
6
6
.
[
5
7
]
S
.
S
i
n
g
h
,
R
.
K
.
K
a
d
w
e
y
,
S
.
S
r
i
v
a
t
sa
v
a
,
S
.
S
i
n
g
h
,
a
n
d
M
.
R
.
S
h
r
i
s
h
a
,
“
M
a
c
h
i
n
e
L
e
a
r
n
i
n
g
B
a
se
d
P
a
r
k
i
n
so
n
’
s
D
i
se
a
se
D
e
t
e
c
t
i
o
n
U
si
n
g
V
o
i
c
e
a
n
d
H
a
n
d
w
r
i
t
i
n
g
A
n
a
l
y
si
s,”
M
a
c
h
i
n
e
L
e
a
rn
i
n
g
f
o
r
R
e
a
l
Wo
r
l
d
A
p
p
l
i
c
a
t
i
o
n
s
,
p
p
.
1
7
1
–
1
8
6
,
2
0
2
4
,
d
o
i
:
1
0
.
1
0
0
7
/
9
7
8
-
9
8
1
-
97
-
1
9
0
0
-
6
_
9
.
[
5
8
]
K
.
V
.
H
.
A
v
a
n
i
,
D
.
M
a
n
j
u
n
a
t
h
,
a
n
d
C
.
G
u
r
u
r
a
j
,
“
P
r
o
f
i
c
i
e
n
t
i
mp
l
e
me
n
t
a
t
i
o
n
t
o
w
a
r
d
d
e
t
e
c
t
i
o
n
o
f
t
h
y
r
o
i
d
n
o
d
u
l
e
s
f
o
r
A
R
/
V
R
e
n
v
i
r
o
n
me
n
t
t
h
r
o
u
g
h
d
e
e
p
l
e
a
r
n
i
n
g
me
t
h
o
d
o
l
o
g
i
e
s,”
A
u
g
m
e
n
t
.
V
i
rt
u
a
l
R
e
a
l
.
I
n
d
.
5
.
0
,
p
p
.
3
5
–
7
5
,
2
0
2
3
,
d
o
i
:
1
0
.
1
5
1
5
/
9
7
8
3
1
1
0
7
9
0
1
4
6
-
0
0
3
.
[
5
9
]
K
.
S
.
S
r
u
j
a
n
a
,
S
.
N
.
K
a
sh
y
a
p
,
G
.
S
h
r
i
v
i
d
h
i
y
a
,
C
.
G
u
r
u
r
a
j
,
a
n
d
K
.
S
.
I
n
d
u
j
a
,
“
S
u
p
p
l
y
C
h
a
i
n
B
a
se
d
D
e
man
d
A
n
a
l
y
si
s
o
f
D
i
f
f
e
r
e
n
t
D
e
e
p
L
e
a
r
n
i
n
g
M
e
t
h
o
d
o
l
o
g
i
e
s
f
o
r
Ef
f
e
c
t
i
v
e
C
o
v
i
d
-
1
9
D
e
t
e
c
t
i
o
n
,
”
S
t
u
d
.
S
y
st
.
D
e
c
i
s.
C
o
n
t
r
o
l
,
v
o
l
.
4
2
4
,
p
p
.
1
3
5
–
1
7
0
,
2
0
2
2
,
d
o
i
:
1
0
.
1
0
0
7
/
9
7
8
-
981
-
19
-
0
2
4
0
-
6
_
9
.
[
6
0
]
J.
L
.
H
a
msap
r
i
y
a
,
T
.
S
h
e
t
t
y
,
B
.
N
e
h
a
,
G
.
P
a
l
l
a
v
i
,
a
n
d
C
.
G
u
r
u
r
a
j
,
“
B
l
o
c
k
c
h
a
i
n
-
B
a
se
d
H
e
a
l
t
h
c
a
r
e
R
e
c
o
mm
e
n
d
e
r
S
y
st
e
m
U
si
n
g
D
e
e
p
L
e
a
r
n
i
n
g
,
”
p
p
.
8
7
–
1
0
9
,
2
0
2
5
,
d
o
i
:
1
0
.
1
0
0
7
/
9
7
8
-
981
-
96
-
3
9
2
8
-
1
_
6
.
AP
P
E
NDI
X
T
ab
le
1
.
A
r
ch
itect
u
r
es a
n
d
cla
s
s
i
f
icatio
n
o
f
tu
m
o
r
R
e
f
A
r
c
h
i
t
e
c
t
u
r
e
s
i
m
p
l
e
me
n
t
e
d
R
e
s
u
l
t
s
[
2
]
C
a
s
c
a
d
e
d
-
C
o
n
v
N
e
t
.
D
i
c
e
s
i
m
i
l
a
r
i
t
y
c
o
e
f
f
i
c
i
e
n
t
(
D
S
C
)
s
c
o
r
e
s
o
f
0
.
9
2
0
3
f
o
r
w
h
o
l
e
t
u
m
o
r
s
(
W
T
)
,
0
.
9
1
1
3
f
o
r
e
n
h
a
n
c
i
n
g
t
u
m
o
r
s
(
E
T
)
,
a
n
d
0
.
8
7
2
f
o
r
t
u
m
o
r
c
o
r
e
s
(
T
C
)
.
[
3
]
3
D
C
N
N
a
n
d
a
U
-
N
e
t
.
D
S
C
o
f
0
.
7
5
0
,
0
.
9
0
6
a
n
d
0
.
8
4
6
f
o
r
E
T
,
W
T
,
a
n
d
T
C
,
r
e
s
p
e
c
t
i
v
e
l
y
.
[
5
]
A
j
o
i
n
t
l
e
a
r
n
i
n
g
‑
b
a
s
e
d
f
e
a
t
u
r
e
r
e
c
o
n
s
t
r
u
c
t
i
o
n
f
r
a
m
e
w
o
r
k
c
o
m
b
i
n
e
d
w
i
t
h
a
n
e
n
h
a
n
c
e
d
n
e
u
r
a
l
n
e
t
w
o
r
k
a
r
c
h
i
t
e
c
t
u
r
e
.
D
S
C
o
f
8
6
.
2
8
%
f
o
r
W
T
,
7
7
.
0
2
%
f
o
r
T
C
a
n
d
5
9
.
6
4
%
f
o
r
E
T
.
[
6
]
S
p
e
c
t
r
a
l
d
a
t
a
a
u
g
m
e
n
t
a
t
i
o
n
-
b
a
s
e
d
d
e
e
p
a
u
t
o
e
n
c
o
d
e
r
C
N
N
.
A
c
c
u
r
a
c
y
o
f
9
7
%
a
n
d
a
n
A
U
C
R
O
C
s
c
o
r
e
o
f
9
9
.
4
6
%
f
o
r
c
l
a
s
s
i
f
y
i
n
g
t
u
m
o
r
o
r
n
o
t
u
m
o
r
.
[
7
]
L
W
‑
D
N
N
w
a
s
t
r
a
i
n
e
d
u
s
i
n
g
a
h
y
b
r
i
d
o
p
t
i
m
i
z
a
t
i
o
n
s
t
r
a
t
e
g
y
t
h
a
t
c
o
m
b
i
n
e
s
t
h
e
W
O
A
w
i
t
h
B
W
O
.
P
r
e
c
i
s
i
o
n
a
n
d
r
e
c
a
l
l
a
r
e
9
8
.
1
2
%
a
n
d
9
6
.
3
0
%
r
e
s
p
e
c
t
i
v
e
l
y
.
[
1
0
]
B
T
S
C
N
e
t
.
A
c
c
u
r
a
c
y
o
b
t
a
i
n
e
d
a
r
e
9
6
.
6
%
f
o
r
M
e
n
i
n
g
i
o
m
a
,
9
8
.
1
%
f
o
r
g
l
i
o
m
a
,
a
n
d
9
5
.
3
%
f
o
r
p
i
t
u
i
t
a
r
y
t
u
m
o
r
[
1
3
]
A
n
e
n
se
m
b
l
e
d
e
e
p
l
e
a
r
n
i
n
g
f
r
a
me
w
o
r
k
t
h
a
t
i
n
t
e
g
r
a
t
e
s
f
o
u
r
a
r
c
h
i
t
e
c
t
u
r
e
s
R
e
s
N
e
t
5
0
,
V
G
G
1
9
,
I
n
c
e
p
t
i
o
n
V
3
,
a
n
d
M
o
b
i
l
e
N
e
t
.
U
s
i
n
g
t
h
e
V
G
G
1
9
a
r
c
h
i
t
e
c
t
u
r
e
,
t
h
e
m
o
d
e
l
a
c
h
i
e
v
e
d
a
n
a
c
c
u
r
a
c
y
o
f
9
9
.
8
5
%
.
T
h
e
a
r
e
a
u
n
d
e
r
t
h
e
R
O
C
c
u
r
v
e
(
A
U
C
)
w
a
s
c
a
l
c
u
l
a
t
e
d
a
s
1
.
0
a
c
r
o
s
s
a
l
l
f
o
u
r
c
a
t
e
g
o
r
i
e
s
n
o
r
m
a
l
,
g
l
i
o
m
a
t
u
m
o
r
,
m
e
n
i
n
g
i
o
m
a
t
u
m
o
r
,
a
n
d
p
i
t
u
i
t
a
r
y
t
u
m
o
r
.
[
1
4
]
H
O
G
-
S
M
P
-
S
G
D
.
P
r
e
c
i
s
i
o
n
is
9
7
.
1
%
,
9
6
.
3
%
,
a
n
d
9
9
.
5
%
f
o
r
m
e
n
i
n
g
i
o
m
a
,
g
l
i
o
m
a
,
a
n
d
p
i
t
u
i
t
a
r
y
t
u
m
o
r
s
r
e
s
p
e
c
t
i
v
e
l
y
.
[
1
6
]
C
o
m
b
i
n
a
t
i
o
n
o
f
W
O
a
n
d
H
H
O
.
T
h
e
mo
d
e
l
a
c
h
i
e
v
e
d
a
n
8
1
.
6
%
a
c
c
u
r
a
c
y
,
7
9
.
1
%
s
p
e
c
i
f
i
c
i
t
y
o
f
0
.
7
9
1
a
n
d
9
7
.
4
%
s
e
n
s
i
t
i
v
i
t
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SS
N
:
2
0
8
9
-
4864
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
,
Vo
l.
15
,
No
.
1
,
Ma
r
c
h
202
6
:
2
1
4
-
223
222
T
a
b
l
e
1
.
A
r
ch
i
t
ec
tu
r
e
s
a
n
d
cl
a
s
s
if
i
c
at
i
o
n
o
f
tu
m
o
r
(
c
o
n
t
i
n
u
e
d
)
[
1
7
]
R
C
N
N
w
i
t
h
t
w
o
c
h
a
n
n
e
l
C
N
N
.
A
v
g
.
c
o
n
f
i
d
e
n
c
e
s
c
o
r
e
i
s
0
.
9
9
1
a
n
d
0
.
9
7
6
f
o
r
m
e
n
i
n
g
i
o
m
a
a
n
d
p
i
t
u
i
t
a
r
y
t
u
m
o
r
.
[
1
9
]
M
u
l
t
i
m
o
d
a
l
d
e
e
p
t
r
a
n
s
f
e
r
l
e
a
r
n
i
n
g
.
D
S
C
o
f
me
n
i
n
g
i
o
m
a
,
g
l
i
o
m
a
a
n
d
p
i
t
u
i
t
a
r
y
a
r
e
0
.
9
4
5
9
0
.
7
2
4
1
0
.
9
1
0
8
r
e
s
p
e
c
t
i
v
e
l
y
.
[
2
2
]
A
H
y
b
‑
D
C
N
N
e
n
h
a
n
c
e
d
t
h
r
o
u
g
h
n
a
t
u
r
e
‑
i
n
s
p
i
r
e
d
R
e
s
N
e
t
‑
1
5
2
t
r
a
n
s
f
e
r
l
e
a
r
n
i
n
g
.
C
o
n
s
i
s
t
e
n
t
l
y
o
u
t
p
e
r
f
o
r
m
e
d
e
x
i
s
t
i
n
g
b
e
n
c
h
m
a
r
k
m
o
d
e
l
s
,
a
c
h
i
e
v
i
n
g
a
c
c
u
r
a
c
i
e
s
o
f
9
9
.
5
7
%
,
9
7
.
2
8
%
,
9
4
.
3
1
%
,
9
5
.
4
8
%
,
9
6
.
3
8
%
,
9
8
.
4
1
%
,
a
n
d
9
6
.
3
4
%
a
c
r
o
s
s
m
u
l
t
i
p
l
e
e
v
a
l
u
a
t
i
o
n
s
a
n
d
r
e
c
o
r
d
e
d
l
o
w
e
r
e
r
r
o
r
r
a
t
e
s
w
h
e
n
c
o
m
p
a
r
e
d
a
g
a
i
n
s
t
c
o
n
v
e
n
t
i
o
n
a
l
m
e
t
h
o
d
s
.
[
2
3
]
M
u
l
t
i
m
o
d
a
l
a
t
t
e
n
t
i
o
n
-
g
a
t
e
d
c
a
s
c
a
d
e
d
U
-
N
e
t
m
o
d
e
l
.
D
S
C
f
o
r
W
T
,
TC
,
a
n
d
E
T
9
0
.
4
5
,
8
4
.
3
,
a
n
d
8
2
.
1
6
r
e
s
p
e
c
t
i
v
e
l
y
.
[
2
4
]
F
r
a
c
t
i
o
n
a
l
a
q
u
i
l
a
s
p
i
d
e
r
m
o
n
k
e
y
o
p
t
i
m
i
z
a
t
i
o
n
b
a
s
e
d
S
q
u
e
e
z
e
N
e
t
.
I
n
t
h
e
c
l
a
s
s
i
f
i
c
a
t
i
o
n
o
f
b
r
a
i
n
t
u
m
o
r
s
a
c
r
o
s
s
f
o
u
r
g
r
a
d
e
s
t
h
e
m
o
d
e
l
a
t
t
a
i
n
e
d
a
t
e
s
t
i
n
g
a
c
c
u
r
a
c
y
o
f
9
2
.
2
%
,
w
i
t
h
9
4
.
3
%
s
e
n
s
i
t
i
v
i
t
y
,
a
n
d
9
0
.
8
%
s
p
e
c
i
f
i
c
i
t
y
,
w
h
i
l
e
m
a
i
n
t
a
i
n
i
n
g
a
p
r
e
d
i
c
t
i
o
n
e
r
r
o
r
o
f
0
.
0
8
9
.
[
2
5
]
D
B
N
‑
Q
L
B
C
i
n
t
e
g
r
a
t
e
s
d
e
e
p
b
e
l
i
e
f
n
e
t
w
o
r
k
s
w
i
t
h
q
u
a
d
r
a
t
i
c
l
o
g
i
t
b
o
o
s
t
i
n
g
.
M
R
I
s
c
a
n
s
a
r
e
c
l
a
s
s
i
f
i
e
d
i
n
t
o
t
w
o
c
a
t
e
g
o
r
i
e
s:
n
o
r
m
a
l
a
n
d
a
b
n
o
r
m
a
l
.
[
2
6
]
C
o
m
b
i
n
a
t
i
o
n
o
f
P
O
a
n
d
P
S
O
a
l
o
n
g
s
i
d
e
C
N
N
.
A
c
c
u
r
a
c
y
i
s
0
.
9
7
,
s
e
n
s
i
t
i
v
i
t
y
i
s
0
.
9
8
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
i
s
0
.
9
6
.
[
2
9
]
U
-
N
e
t
m
o
d
e
l
w
i
t
h
l
e
a
k
y
R
e
L
U
.
U
‑
N
e
t
a
r
c
h
i
t
e
c
t
u
r
e
a
c
h
i
e
v
e
d
d
i
c
e
s
c
o
r
e
s
o
f
0
.
9
2
8
f
o
r
w
h
o
l
e
t
u
m
o
r
,
0
.
8
5
4
f
o
r
c
o
r
e
t
u
m
o
r
,
a
n
d
0
.
7
9
2
f
o
r
e
n
h
a
n
c
i
n
g
t
u
m
o
r
,
r
e
s
p
e
c
t
i
v
e
l
y
.
[
3
1
]
M
u
l
t
i
s
c
a
l
e
c
a
s
c
a
d
e
d
m
u
l
t
i
t
a
s
k
n
e
t
w
o
r
k
.
9
6
.
2
7
a
n
d
9
5
.
8
8
f
o
r
D
C
S
a
n
d
m
e
a
n
I
o
U
,
r
e
s
p
e
c
t
i
v
e
l
y
,
9
7
.
9
8
8
a
c
c
u
r
a
c
y
f
o
r
c
l
a
s
s
i
f
i
c
a
t
i
o
n
o
f
g
l
i
o
m
a
,
p
i
t
u
i
t
a
r
y
t
u
m
o
r
,
a
n
d
m
e
n
i
n
g
i
o
m
a
.
[
3
2
]
G
l
i
o
m
a
b
r
a
i
n
t
u
m
o
r
d
e
t
e
c
t
i
o
n
t
h
r
o
u
g
h
d
u
a
l
C
N
N
a
l
o
n
g
w
i
t
h
h
i
s
t
o
g
r
a
m
d
e
n
s
i
t
y
s
e
g
me
n
t
a
t
i
o
n
a
l
g
o
r
i
t
h
m
.
S
e
n
s
i
t
i
v
i
t
y
,
s
p
e
c
i
f
i
c
i
t
y
,
a
n
d
a
c
c
u
r
a
c
y
o
f
9
8
.
9
,
9
9
.
0
4
,
a
n
d
9
8
.
8
5
r
e
s
p
e
c
t
i
v
e
l
y
f
o
r
h
i
g
h
g
r
a
d
e
g
l
i
o
m
a
(
H
G
G
)
a
n
d
s
e
n
s
i
t
i
v
i
t
y
,
s
p
e
c
i
f
i
c
i
t
y
a
n
d
a
c
c
u
r
a
c
y
o
f
9
8
.
6
7
,
9
8
.
8
2
,
a
n
d
9
8
.
9
8
r
e
s
p
e
c
t
i
v
e
l
y
f
o
r
l
o
w
g
r
a
d
e
g
l
i
o
m
a
(
L
G
G
)
.
[
3
4
]
E
x
p
o
n
e
n
t
i
a
l
d
e
e
r
h
u
n
t
i
n
g
o
p
t
i
m
i
z
a
t
i
o
n
-
b
a
s
e
d
S
h
e
p
a
r
d
c
o
n
v
o
l
u
t
i
o
n
a
l
n
e
u
r
a
l
n
e
t
w
o
r
k
(
E
x
p
D
H
O
-
b
a
s
e
d
S
h
C
N
N
)
.
A
c
c
u
r
a
c
y
,
se
n
s
i
t
i
v
i
t
y
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
o
f
0
.
9
2
9
,
0
.
9
3
4
,
a
n
d
0
.
9
3
9
f
o
r
b
r
a
i
n
t
u
m
o
r
d
e
t
e
c
t
i
o
n
,
r
e
s
p
e
c
t
i
v
e
l
y
,
o
f
0
.
9
1
7
,
0
.
9
1
8
,
a
n
d
0
.
9
1
9
f
o
r
b
r
a
i
n
t
u
m
o
r
c
l
a
s
s
i
f
i
c
a
t
i
o
n
.
[
3
5
]
G
r
a
d
i
e
n
t
-
a
s
s
i
s
t
e
d
m
u
l
t
i
-
c
a
t
e
g
o
r
y
b
r
a
i
n
t
u
m
o
r
s
e
g
me
n
t
a
t
i
o
n
m
e
t
h
o
d
(
G
A
M
-
N
e
t
)
.
D
S
C
a
r
e
0
.
8
9
9
1
,
0
.
8
4
0
2
,
a
n
d
0
.
7
5
8
0
i
n
W
T
,
T
C
,
a
n
d
E
T
r
e
s
p
e
c
t
i
v
e
l
y
.
[
3
6
]
R
e
g
r
e
s
s
i
o
n
n
e
u
r
a
l
n
e
t
w
o
r
k
a
l
o
n
g
w
i
t
h
o
p
t
i
m
i
z
e
d
a
n
d
r
e
l
i
e
f
-
b
a
s
e
d
f
e
a
t
u
r
e
r
e
d
u
c
t
i
o
n
.
A
c
c
u
r
a
c
y
(
9
4
.
7
%
)
,
s
e
n
s
i
t
i
v
i
t
y
(
9
4
.
7
8
%
)
,
s
p
e
c
i
f
i
c
i
t
y
(
9
4
.
6
%
)
,
p
r
e
c
i
s
i
o
n
(
9
4
.
4
5
%
)
,
F
1
-
s
c
o
r
e
(
9
4
.
6
6
%
)
,
e
r
r
o
r
r
a
t
e
(
1
0
.
5
%
)
f
o
r
c
l
a
s
s
i
f
y
i
n
g
p
i
t
u
i
t
a
r
y
,
m
e
n
i
n
g
i
o
m
a
,
a
n
d
g
l
i
o
m
a
[
3
8
]
H
y
b
r
i
d
S
C
A
O
A
.
P
i
t
u
i
t
a
r
y
t
u
m
o
r
s
,
g
l
i
o
m
a
s
,
a
n
d
m
e
n
i
n
g
i
o
m
a
d
e
t
e
c
t
i
o
n
w
i
t
h
a
c
c
u
r
a
c
y
o
f
9
3
.
0
%
,
s
e
n
s
i
t
i
v
i
t
y
o
f
9
2
.
3
%
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
o
f
9
2
.
0
%
.
[
3
9
]
S
e
l
f
‑
a
t
t
e
n
t
i
o
n
p
r
o
g
r
e
s
s
i
v
e
G
A
N
c
o
m
b
i
n
e
d
w
i
t
h
m
o
m
e
n
t
u
m
s
e
a
r
c
h
o
p
t
i
m
i
z
a
t
i
o
n
.
S
e
g
m
e
n
t
s
M
R
I
i
m
a
g
e
s
i
n
t
o
t
u
m
o
r
a
n
d
n
o
n
-
t
u
m
o
r
c
a
t
e
g
o
r
i
e
s
w
i
t
h
a
c
c
u
r
a
c
y
o
f
9
9
.
9
7
%
.
[
4
0
]
R
e
s
i
d
u
a
l
f
u
s
e
d
S
h
e
p
h
e
r
d
c
o
n
v
o
l
u
t
i
o
n
n
e
u
r
a
l
n
e
t
w
o
r
k
.
A
c
c
u
r
a
c
y
o
f
9
4
%
,
s
e
n
s
i
t
i
v
i
t
y
o
f
9
5
%
a
n
d
s
p
e
c
i
f
i
c
i
t
y
o
f
9
4
.
9
%
.
[
4
1
]
H
y
b
r
i
d
A
l
e
x
N
e
t
-
G
R
U
C
l
a
s
s
i
f
i
e
s
p
i
t
u
i
t
a
r
y
,
m
e
n
i
n
g
i
o
m
a
,
g
l
i
o
m
a
,
a
n
d
n
o
T
u
m
o
r
w
i
t
h
9
7
%
a
c
c
u
r
a
c
y
,
9
7
.
6
3
%
p
r
e
c
i
s
i
o
n
,
9
6
.
7
8
%
r
e
c
a
l
l
r
a
t
e
,
a
n
d
9
7
.
2
5
%
F
1
-
s
c
o
r
e
[
4
6
]
T
r
a
n
s
f
e
r
l
e
a
r
n
i
n
g
a
n
d
V
G
G
1
6
a
r
c
h
i
t
e
c
t
u
r
e
‘
‘
2
3
l
a
y
e
r
s
C
N
N
”
.
A
c
c
u
r
a
c
i
e
s
o
f
9
7
.
8
%
a
n
d
1
0
0
%
m
u
l
t
i
c
l
a
s
s
(
me
n
i
n
g
i
o
m
a
,
g
l
i
o
m
a
,
a
n
d
p
i
t
u
i
t
a
r
y
)
b
r
a
i
n
t
u
m
o
r
s
a
n
d
b
i
n
a
r
y
(
n
o
r
m
a
l
a
n
d
a
b
n
o
r
m
a
l
)
r
e
s
p
e
c
t
i
v
e
l
y
.
[
4
9
]
T
e
m
p
l
a
t
e
‑
d
r
i
v
e
n
K
‑
m
e
a
n
s
c
l
u
s
t
e
r
i
n
g
a
p
p
r
o
a
c
h
t
h
a
t
i
n
c
o
r
p
o
r
a
t
e
s
s
u
p
e
r
p
i
x
e
l
s
P
C
A
.
A
c
c
u
r
a
c
y
o
f
9
5
.
0
%
,
s
e
n
s
i
t
i
v
i
t
y
o
f
9
7
.
3
6
%
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
o
f
1
0
0
%
f
o
r
d
e
t
e
c
t
i
n
g
d
i
f
f
e
r
e
n
t
s
i
z
e
s
o
f
t
h
e
t
u
m
o
r
s
.
[
5
0
]
X
G
B
o
o
s
t
a
p
p
r
o
a
c
h
.
9
7
%
a
c
c
u
r
a
c
y
,
9
7
%
s
p
e
c
i
f
i
c
i
t
y
,
9
8
%
p
r
e
c
i
s
i
o
n
,
a
n
d
9
8
%
r
e
c
a
l
l
f
o
r
d
e
t
e
c
t
i
n
g
b
r
a
i
n
t
u
m
o
r
.
[
5
2
]
M
o
d
i
f
i
e
d
G
o
o
g
L
e
N
e
t
.
P
r
e
c
i
s
i
o
n
o
f
9
4
.
7
,
9
9
.
2
,
9
8
.
0
,
r
e
c
a
l
l
o
f
9
6
.
0
,
9
7
.
9
,
9
8
.
9
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
o
f
9
8
.
4
,
9
9
.
4
,
a
n
d
9
9
.
1
f
o
r
m
e
n
i
n
g
i
o
m
a
,
g
l
i
o
m
a
,
a
n
d
p
i
t
u
i
t
a
r
y
t
u
m
o
r
r
e
s
p
e
c
t
i
v
e
l
y
.
[
5
3
]
C
N
N
b
a
s
e
d
U
-
N
e
t
a
n
d
VGG
.
D
S
C
a
n
d
t
u
m
o
r
d
e
t
e
c
t
i
o
n
a
c
c
u
r
a
c
y
a
r
e
0
.
8
4
a
n
d
0
.
9
2
,
r
e
s
p
e
c
t
i
v
e
l
y
.
[
5
6
]
I
m
p
r
o
v
e
d
h
u
n
g
e
r
g
a
m
e
s
s
e
a
r
c
h
a
l
g
o
r
i
t
h
m
(I
-
H
G
S
-
R
e
s
N
e
t
5
0
)
.
A
c
c
u
r
a
c
y
9
9
.
8
9
%
,
s
e
n
s
i
t
i
v
i
t
y
9
9
.
9
1
%
,
s
p
e
c
i
f
i
c
i
t
y
9
9
.
9
4
%
,
p
r
e
c
i
s
i
o
n
9
9
.
8
7
%
,
a
n
d
F
-
s
c
o
r
e
9
9
.
9
2
%
(
b
i
n
a
r
y
a
n
d
m
u
l
t
i
c
l
a
s
s
)
.
T
ab
le
2
.
T
h
e
co
n
tr
ib
u
tio
n
,
tr
ain
in
g
al
g
o
r
ith
m
,
d
ataset
s
,
an
d
l
i
m
itat
io
n
s
o
f
th
e
m
o
s
t
u
s
ed
s
e
g
m
e
n
tat
io
n
an
d
class
i
f
icatio
n
m
et
h
o
d
s
f
o
r
d
etec
tio
n
o
f
b
r
ain
t
u
m
o
r
R
e
f
T
e
c
h
n
i
q
u
e
s
P
e
r
f
o
r
man
c
e
m
e
t
r
i
c
s
D
a
t
a
se
t
L
i
mi
t
a
t
i
o
n
s
[
1
]
C
N
N
,
V
G
G
-
16
,
a
n
d
En
se
mb
l
e
A
c
c
u
r
a
c
y
=
9
6
%,
9
8
.
1
5
%,
a
n
d
9
8
.
4
1
%
F1
-
sco
r
e
=
9
1
.
7
8
%,
9
2
.
6
%
,
a
n
d
9
1
.
2
9
%
R
e
c
a
l
l
=
8
9
.
5
%,
9
4
.
4
%
,
a
n
d
9
1
.
4
%
M
R
I
d
a
t
a
se
t
U
se
d
o
n
l
y
a
si
n
g
l
e
d
a
t
a
se
t
.
[
2
]
C
-
C
o
n
v
N
e
t
a
n
d
D
W
A
me
c
h
a
n
i
sm
H
A
U
S
D
O
R
F
F
9
9
=
1
.
4
2
7
,
d
i
c
e
si
mi
l
a
r
i
t
y
=
0
.
9
2
0
3
,
a
n
d
se
n
s
i
t
i
v
i
t
y
=
0
.
9
3
8
6
B
R
A
T
S
2
0
1
8
I
n
c
r
e
a
se
i
n
t
h
e
si
z
e
o
f
t
h
e
t
u
mo
r
d
e
c
r
e
a
se
s
t
h
e
f
e
a
t
u
r
e
e
x
t
r
a
c
t
i
o
n
p
e
r
f
o
r
man
c
e
.
[
3
]
3
D
U
-
N
e
t
a
n
d
C
N
N
D
i
c
e
sco
r
e
s=0
.
7
5
0
,
0
.
9
0
6
,
a
n
d
0
.
8
4
6
B
r
a
T
S
-
19
I
mag
e
p
r
o
c
e
ssi
n
g
i
s
n
o
t
a
p
p
l
i
e
d
t
o
En
se
mb
l
e
.
[
4
]
R
a
d
i
o
mi
c
s
a
n
d
TF
C
S
A
U
R
O
C
=
0
.
8
3
3
,
ac
c
u
r
a
c
y
=
0
.
8
0
7
,
M
C
C
=
0
.
4
5
7
,
a
n
d
A
U
P
R
=
0
.
7
6
9
6
O
A
,
1
p
r
i
v
a
t
e
F
o
r
t
h
e
c
l
a
ss
i
f
i
c
a
t
i
o
n
t
a
s
k
s,
c
l
a
ss
i
mb
a
l
a
n
c
e
i
s
n
o
t
c
o
n
s
i
d
e
r
e
d
.
[
6
]
S
D
A
-
D
A
C
N
N
a
n
d
D
e
e
p
a
u
t
o
e
n
c
o
d
e
r
A
c
c
u
r
a
c
y
=
9
7
%
a
n
d
A
U
C
R
O
C
=
9
9
.
4
6
K
a
g
g
l
e
R
e
c
a
l
l
sco
r
e
i
s n
o
t
i
m
p
r
o
v
e
d
.
[
7
]
W
O
A
a
n
d
B
W
O
A
c
c
u
r
a
c
y
=
9
7
%
B
R
A
T
S
T
h
e
mo
d
e
l
's
p
e
r
f
o
r
man
c
e
c
a
n
n
o
t
b
e
j
u
d
g
e
d
u
si
n
g
o
n
l
y
A
c
c
u
r
a
c
y
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
n
t J
R
ec
o
n
f
i
g
u
r
ab
le
&
E
m
b
ed
d
ed
Sy
s
t
I
SS
N:
2089
-
4864
A
d
va
n
ce
d
MRI
-
b
a
s
ed
d
ee
p
le
a
r
n
in
g
fo
r
b
r
a
in
tu
mo
r
s
:
a
five
-
ye
a
r
r
ev
iew
o
f
…
(
S
h
r
i
s
h
a
Ma
d
d
u
r
R
a
mesh
)
223
T
ab
le
2
.
T
h
e
co
n
tr
ib
u
tio
n
,
tr
ain
in
g
al
g
o
r
ith
m
,
d
ataset
s
,
an
d
l
i
m
itat
io
n
s
o
f
th
e
m
o
s
t
u
s
ed
s
e
g
m
e
n
tat
io
n
an
d
class
i
f
icatio
n
m
et
h
o
d
s
f
o
r
d
etec
tio
n
o
f
b
r
ain
t
u
m
o
r
(
co
n
tin
u
e
d
)
[
8
]
D
e
n
se
N
e
t
2
0
1
M
A
P
=
0
.
8
8
,
A
U
C
=
0
.
8
9
,
a
n
d
D
C
G
=
0
.
2
6
BT
-
M
R
I
L
i
mi
t
a
t
i
o
n
s
i
n
sm
a
l
l
e
r
l
e
si
o
n
s
o
r
n
o
t
u
mo
r
s.
[
9
]
M
C
N
N
A
c
c
u
r
a
c
y
=
0
.
9
6
-
0
.
9
9
,
r
e
c
a
l
l
=
0
.
7
2
-
0
.
9
9
,
sp
e
c
i
f
i
c
i
t
y
=
9
1
.
6
-
9
9
.
1
,
a
n
d
p
r
e
c
i
si
o
n
=
0
.
8
4
-
0
.
9
9
B
r
a
t
s
2
0
1
5
,
F
i
g
sh
a
r
e
F
e
w
p
e
r
f
o
r
man
c
e
me
t
r
i
c
s
c
a
n
b
e
i
mp
r
o
v
e
d
.
[
1
1
]
S
t
a
c
k
e
d
L
S
T
M
a
n
d
Bi
-
L
S
T
M
A
c
c
u
r
a
c
y
=
9
8
.
8
5
-
9
9
.
2
3
%
,
se
n
s
i
t
i
v
i
t
y
=
9
9
.
2
3
-
9
9
.
6
2
%
,
a
n
d
s
p
e
c
i
f
i
c
i
t
y
=
9
8
.
0
8
-
9
8
.
8
5
%
I
N
T
ER
P
R
ET
d
a
t
a
b
a
se
A
c
c
u
r
a
c
y
may
b
e
l
o
w
e
r
i
n
b
i
n
a
r
y
c
l
a
ssi
f
i
c
a
t
i
o
n
o
f
d
i
f
f
u
se
a
st
r
o
c
y
t
o
ma
a
n
d
p
se
u
d
o
b
r
a
i
n
t
u
mo
r
s.
[
1
4
]
H
O
G
,
S
V
M
,
a
n
d
S
M
P
a
l
g
o
r
i
t
h
ms
A
c
c
u
r
a
c
y
=
9
7
%
C
h
e
n
g
2
0
1
5
A
c
c
u
r
a
c
y
a
l
o
n
e
c
a
n
n
o
t
b
e
u
se
d
t
o
j
u
d
g
e
t
h
e
mo
d
e
l
's p
e
r
f
o
r
man
c
e
.
[
1
7
]
C
N
N
a
n
d
R
C
N
N
A
c
c
u
r
a
c
y
=
9
8
.
2
1
e
x
e
c
u
t
i
o
n
t
i
me
=
2
7
7
.
1
7
4
s
F
i
g
sh
a
r
e
a
n
d
K
a
g
g
l
e
L
i
mi
t
e
d
t
o
o
b
j
e
c
t
d
e
t
e
c
t
i
o
n
a
n
d
s
e
g
me
n
t
a
t
i
o
n
n
o
t
u
se
d
.
[
2
1
]
GS
-
M
V
O
-
D
B
N
F1
-
s
c
o
r
e
=
0
.
9
5
5
2
2
a
n
d
a
c
c
u
r
a
c
y
=
0
.
9
5
2
3
8
K
a
g
g
l
e
Ef
f
e
c
t
i
v
e
p
r
e
p
r
o
c
e
ssi
n
g
c
o
u
l
d
h
a
v
e
b
e
e
n
i
n
c
o
r
p
o
r
a
t
e
d
.
[
2
6
]
I
P
O
,
C
N
N
,
a
n
d
p
a
r
t
i
c
l
e
sw
a
r
m
o
p
t
i
m
i
z
e
r
A
c
c
u
r
a
c
y
=
9
7
.
0
9
%
B
r
3
5
H
d
a
t
a
se
t
C
o
mp
l
e
x
i
t
y
o
f
t
h
e
mo
d
e
l
.
[
3
0
]
HOG
a
n
d
mo
d
i
f
i
e
d
R
e
sN
e
t
5
0
A
c
c
u
r
a
c
y
=
8
8
%
K
a
g
g
l
e
I
ssu
e
s
i
n
d
e
t
e
c
t
i
o
n
a
n
d
c
a
t
e
g
o
r
i
z
a
t
i
o
n
o
f
t
u
mo
r
s
.
[
3
2
]
D
u
a
l
C
N
N
a
n
d
H
D
S
A
S
e
n
si
t
i
v
i
t
y
=
9
8
.
9
%
,
sp
e
c
i
f
i
c
i
t
y
=
9
9
.
0
4
%
,
a
n
d
a
c
c
u
r
a
c
y
=
9
8
.
8
5
%
B
r
a
T
S
-
I
X
I
d
a
t
a
se
t
D
i
a
g
n
o
si
n
g
p
r
o
c
e
d
u
r
e
a
n
d
t
i
me
c
o
n
su
mp
t
i
o
n
f
o
r
t
u
mo
r
d
e
t
e
c
t
i
o
n
n
o
t
i
n
c
l
u
d
e
d
.
[
3
3
]
JG
a
t
e
-
A
t
t
R
e
sU
N
e
t
D
i
c
e
=
0
.
8
9
6
0
,
0
.
9
1
3
1
,
se
n
s
i
t
i
v
i
t
y
=
0
.
8
7
3
4
,
0
.
8
4
2
1
,
a
n
d
a
c
c
u
r
a
c
y
=
0
.
9
4
9
9
,
0
.
9
3
6
9
B
r
a
t
s
2
0
1
5
,
2
0
1
9
F
o
r
smal
l
e
r
o
b
j
e
c
t
s
w
i
t
h
su
b
s
t
a
n
t
i
a
l
s
h
a
p
e
d
i
v
e
r
si
t
y
,
t
h
e
f
a
l
se
-
p
o
si
t
i
v
e
p
r
e
d
i
c
t
i
o
n
s
.
[
4
0
]
R
F
S
h
C
N
N
A
c
c
u
r
a
c
y
=
9
4
%,
se
n
si
t
i
v
i
t
y
=
9
5
%,
a
n
d
sp
e
c
i
f
i
c
i
t
y
=
9
4
.
9
%
.
B
r
a
t
s
,
F
i
g
sh
a
r
e
B
i
g
d
a
t
a
r
e
q
u
i
r
e
me
n
t
o
f
a
n
n
o
t
a
t
e
d
i
mag
e
s
,
a
l
so
i
t
i
s
a
t
i
me
-
c
o
n
su
mi
n
g
p
r
o
c
e
ss
.
[
4
1
]
A
l
e
x
N
e
t
-
G
R
U
A
c
c
u
r
a
c
y
=
9
7
%,
p
r
e
c
i
s
i
o
n
=
9
7
.
6
3
%,
r
e
c
a
l
l
r
a
t
e
=
9
6
.
7
8
%,
a
n
d
F1
-
s
c
o
r
e
=
9
7
.
2
5
%
K
a
g
g
l
e
H
i
g
h
-
q
u
a
l
i
t
y
,
d
i
v
e
r
se
,
a
n
d
a
n
n
o
t
a
t
e
d
d
a
t
a
se
t
s
w
e
r
e
n
o
t
c
o
n
si
d
e
r
e
d
.
[
4
9
]
T
e
mp
l
a
t
e
-
b
a
se
d
K
-
me
a
n
s (T
K
)
a
l
g
o
r
i
t
h
m
A
c
c
u
r
a
c
y
=
9
5
.
0
%,
se
n
si
t
i
v
i
t
y
=
9
7
.
3
6
%
,
sp
e
c
i
f
i
c
i
t
y
=
1
0
0
%
,
a
n
d
e
x
e
c
u
t
i
o
n
t
i
me
=
3
5
-
60s
K
a
g
g
l
e
,
O
A
,
a
n
d
L
o
c
a
l
d
a
t
a
se
t
I
mp
l
e
me
n
t
e
d
o
n
sm
a
l
l
d
a
t
a
se
t
[
5
6
]
I
-
H
G
S
,
(
R
e
sN
e
t
5
0
)
A
c
c
u
r
a
c
y
=
9
9
.
7
2
-
9
9
.
8
9
%
C
h
e
n
g
D
a
t
a
se
t
,
B
T
-
l
a
r
g
e
-
4
c
,
a
n
d
BT
-
l
a
r
g
e
-
2c
T
e
n
d
s
t
o
b
e
c
o
me
c
o
n
f
i
n
e
d
w
i
t
h
i
n
l
o
c
a
l
r
e
g
i
o
n
s
a
n
d
s
t
r
u
g
g
l
e
s
t
o
mai
n
t
a
i
n
a
n
e
f
f
e
c
t
i
v
e
e
x
p
l
o
r
a
t
i
o
n
–
e
x
p
l
o
i
t
a
t
i
o
n
b
a
l
a
n
c
e
,
p
a
r
t
i
c
u
l
a
r
l
y
i
n
c
o
mp
l
e
x
,
h
i
g
h
‑
d
i
me
n
s
i
o
n
a
l
p
r
o
b
l
e
ms.
B
I
O
G
RAP
H
I
E
S O
F
AUTH
O
RS
S
h
r
ish
a
M
a
d
d
u
r
R
a
m
e
s
h
re
c
e
iv
e
d
th
e
Ba
c
h
e
lo
r
o
f
En
g
i
n
e
e
rin
g
d
e
g
re
e
in
T
e
le
c
o
m
m
u
n
ica
ti
o
n
En
g
i
n
e
e
rin
g
in
2
0
1
5
,
a
n
d
th
e
M
.
T
e
c
h
.
d
e
g
re
e
in
V
L
S
I
d
e
sig
n
a
n
d
Em
b
e
d
d
e
d
sy
ste
m
s
in
2
0
1
8
f
ro
m
BM
S
c
o
ll
e
g
e
o
f
e
n
g
in
e
e
rin
g
,
Ba
n
g
a
lo
re
,
In
d
ia.
S
h
e
is
c
u
rre
n
tl
y
p
u
rsu
i
n
g
th
e
P
h
.
D.
d
e
g
re
e
w
it
h
V
isv
e
sv
a
ra
y
a
T
e
c
h
n
o
lo
g
i
c
a
l
Un
iv
e
rsit
y
.
S
h
e
h
a
s
b
e
e
n
w
o
rk
in
g
a
s
a
n
A
ss
istan
t
P
r
o
f
e
ss
o
r
w
it
h
t
h
e
De
p
a
rtm
e
n
t
o
f
El
e
c
t
ro
n
ics
a
n
d
Co
m
m
u
n
ica
ti
o
n
,
B.
M
.
S
.
Co
ll
e
g
e
o
f
En
g
in
e
e
rin
g
,
sin
c
e
2
0
1
9
.
S
h
e
h
a
s
tw
o
c
o
n
f
e
re
n
c
e
p
u
b
li
c
a
ti
o
n
s
a
n
d
b
o
o
k
c
h
a
p
ter
to
h
e
r
c
re
d
it
.
He
r
re
se
a
rc
h
in
tere
sts
in
c
l
u
d
e
a
rti
f
icia
l
in
t
e
ll
ig
e
n
c
e
,
m
a
c
h
in
e
lea
rn
in
g
,
a
n
d
d
e
e
p
lea
rn
in
g.
S
h
e
c
a
n
b
e
c
o
n
tac
ted
a
t
e
m
a
il
:
sh
rish
a
m
r.
e
c
e
@b
m
sc
e
.
a
c
.
in
.
Ch
itra
p
a
d
i
G
u
r
u
r
a
j
is
a
P
r
o
f
e
s
so
r
a
t
BM
S
Co
ll
e
g
e
o
f
En
g
in
e
e
rin
g
,
Be
n
g
a
lu
ru
,
h
e
h
o
ld
s
a
P
h
.
D.
f
ro
m
Ja
in
Un
iv
e
rsit
y
a
n
d
p
o
stg
ra
d
u
a
te
a
n
d
u
n
d
e
rg
ra
d
u
a
te
d
e
g
re
e
s
f
ro
m
V
isv
e
sv
a
ra
y
a
T
e
c
h
n
o
l
o
g
ica
l
Un
iv
e
rsit
y
.
A
n
a
m
e
d
in
v
e
n
to
r
o
n
a
g
ra
n
ted
A
I
p
a
ten
t,
h
is
w
o
rk
b
rid
g
e
s
th
e
g
a
p
b
e
tw
e
e
n
a
c
a
d
e
m
ic
th
e
o
ry
a
n
d
in
d
u
strial
a
p
p
li
c
a
ti
o
n
.
His
sc
h
o
larly
p
o
rtf
o
li
o
in
c
lu
d
e
s o
v
e
r
9
0
p
a
p
e
rs i
n
d
e
x
e
d
in
m
a
jo
r
d
a
tab
a
se
s li
k
e
S
c
o
p
u
s a
n
d
W
e
b
o
f
S
c
ien
c
e
,
su
p
p
o
rte
d
b
y
h
ig
h
c
it
a
ti
o
n
m
e
tri
c
s.
T
h
ro
u
g
h
o
u
t
h
is
2
3
-
y
e
a
r
ten
u
re
,
h
e
h
a
s
se
c
u
re
d
v
a
rio
u
s
re
se
a
rc
h
g
ra
n
ts
a
n
d
a
w
a
rd
s.
His
c
u
rre
n
t
f
o
c
u
s
li
e
s
i
n
im
a
g
e
re
tri
e
v
a
l
,
V
L
S
I
d
e
sig
n
,
a
n
d
t
h
e
e
v
o
lv
in
g
a
p
p
li
c
a
ti
o
n
s
o
f
d
e
e
p
lea
rn
in
g
,
a
n
d
a
rti
f
icia
l
in
telli
g
e
n
c
e
.
He
c
a
n
b
e
c
o
n
tac
ted
a
t
e
m
a
il
:
g
u
ru
ra
j.
tce
@b
m
sc
e
.
a
c
.
in
.
Evaluation Warning : The document was created with Spire.PDF for Python.