Ensemble Supervised Classification Method Using the Regions of Interest and Grey Level Co-Occurrence Matrices Features for Mammograms Data
Notice bibliographique
Résumé
BACKGROUND: Breast cancer is one of the most encountered cancers in women. Detection and classification of the cancer into malignant or benign is one of the challenging fields of the pathology. OBJECTIVES: Our aim was to classify the mammogram data into normal and abnormal by ensemble classification method. PATIENTS AND METHODS: In this method, we first extract texture features from cancerous and normal breasts, using the Gray-Level Co-occurrence Matrices (GLCM) method. To obtain better results, we select a region of breast with high probability of cancer occurrence before feature extraction. After features extraction, we use the maximum difference method to select the features that have predominant difference between normal and abnormal data sets. Six selected features served as the classifying tool for classification purpose by the proposed ensemble supervised algorithm. For classification, the data were first classified by three supervised classifiers, and then by simple voting policy, we finalized the classification process. RESULTS: After classification with the ensemble supervised algorithm, the performance of the proposed method was evaluated by perfect test method, which gave the sensitivity and specificity of 96.66% and 97.50%, respectively. CONCLUSIONS: In this study, we proposed a new computer aided diagnostic tool for the detection and classification of breast cancer. The obtained results showed that the proposed method is more reliable in diagnostic to assist the radiologists in the detection of abnormal data and to improve the diagnostic accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».