Gradient and texture analysis for the classification of mammographic masses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Computer-aided classification of benign and malignant masses on mammograms is attempted in this study by computing gradient-based and texture-based features. Features computed based on gray-level co-occurrence matrices (GCMs) are used to evaluate the effectiveness of textural information possessed by mass regions in comparison with the textural information present in mass margins. A method involving polygonal modeling of boundaries is proposed for the extraction of a ribbon of pixels across mass margins. Two gradient-based features are developed to estimate the sharpness of mass boundaries in the ribbons of pixels extracted from their margins. A total of 54 images (28 benign and 26 malignant) containing 39 images from the Mammographic Image Analysis Society (MIAS) database and 15 images from a local database are analyzed. The best benign versus malignant classification of 82.1%, with an area (Az) of 0.85 under the receiver operating characteristics (ROC) curve, was obtained with the images from the MIAS database by using GCM-based texture features computed from mass margins. The classification method used is based on posterior probabilities computed from Mahalanobis distances. The corresponding accuracy using jack-knife classification was observed to be 74.4%, with Az = 0.67. Gradient-based features achieved Az = 0.6 on the MIAS database and Az = 0.76 on the combined database. The corresponding values obtained using jack-knife classification were observed to be 0.52 and 0.73 for the MIAS and combined databases, respectively.
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.
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 | 0,000 | 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 découle