Classification of breast masses via transformation of features using kernel principal component analysis
Notice bibliographique
Résumé
Several studies on classification of breast masses in mammograms have shown that shape features are highly successful in discriminating between malignant breast tumors and benign masses, as compared to edge-sharpness and texture features. However, the extraction of shape features requires accurate contours which are not easy to obtain automatically. In this paper, we propose to apply kernel principal component analysis (KPCA) to the problem of classification of breast masses, aiming to improve the discriminating power of each single feature in an expanded feature space derived from a centered kernel matrix. We also aim to improve the discriminating capability of different feature combinations in other transformed, more informative, lower-dimensional feature spaces, especially with the edge-sharpness and texture features. Fisher's linear discriminant analysis (FLDA) is employed to evaluate the classification capability of the transformed features via KPCA. The methods were tested with a set of 57 regions in mammograms, of which 20 are related to malignant tumors and 37 to benign masses, represented using one shape feature, three edge-sharpness features, and 14 texture features. The classification performance of the edge-sharpness and texture features, via KPCA transformation, was significantly improved from 0.75 to 0.85 in terms of the area under the receiver operating characteristics curve.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».