Technology and the rapid growth in the area of brain imaging technologies have forever made for a pivotal role in analyzing and focusing the new views of brain anatomy and functions. The mechanism of image processing has widespread usage in the area of medical science for improving the early detection and treatment phases. Deep neural networks (DNN), till date, have demonstrated wonderful performance in classification and segmentation task. Carrying this idea into consideration, in this paper, a technique for image compression using a deep wavelet autoencoder (DWA), which blends the basic feature reduction property of autoencoder along with the image decomposition property of wavelet transform is proposed. The combination of both has a tremendous effect on sinking the size of the feature set for enduring further classification task by using DNN. A brain image dataset was taken and the proposed DWA-DNN image classifier was considered. The performance criterion for the DWA-DNN classifier was compared with other existing classifiers such as autoencoder-DNN or DNN, and it was noted that the proposed method outshines the existing methods.

Abstract Glioblastoma (GBM) is a stage 4 malignant tumor in which a large portion of tumor cells are reproducing and dividing at any moment. These tumors are life threatening and may result in partial or complete mental and physical disability. In this study, we have proposed a classification model using hybrid deep belief networks (DBN) to classify magnetic resonance imaging (MRI) for GBM tumor. DBN is composed of stacked restricted Boltzmann machines (RBM). DBN often requires a large number of hidden layers that consists of large number of neurons to learn the best features from the raw image data. Hence, computational and space complexity is high and requires a lot of training time. The proposed approach combines DTW with DBN to improve the efficiency of existing DBN model. The results are validated using several statistical parameters. Statistical validation verifies that the combination of DTW and DBN outperformed the other classifiers in terms of training time, space complexity and classification accuracy.

Abstract Myocardial infarction (MI) is a life-threatening medical condition that necessitates both timely and precise diagnosis. The enhancement of automated method to detect MI diseases from Normal patients can play a crucial role in healthcare. This paper presents a novel approach that utilizes the Discrete Wavelet Transform (DWT) for the detection of myocardial signals. The DWT is employed to break down ECG signals into distinct frequency components and subsequently to selectively filter out noise by thresholding the high-frequency details, resulting in denoised ECG signals for myocardial signal detection. These denoised signals are fed into lightweight one-dimensional Convolutional Neural Networks (CNN) for binary classification into Myocardial Infarction (MI) and Normal categories. The paper explores three distinct approaches: utilizing all signals, incorporating under-sampling and up-sampling to address class imbalances, with both noised and denoised signals. Evaluation of the suggested model is done with the help of two publicly available datasets: PTB-XL, a large publicly available electrocardiography dataset and PTB Diagnostic ECG Database. Results obtained through 5-fold cross-validation on the trained model show that the model has achieved an accuracy of 96%, precision of 97% and F1 score of 95%. On cross-validation with the PTB-ECG dataset, this paper achieved an accuracy of 91.18%.