A novel technique for detecting suspicious lesions in breast ultrasound images
Notice bibliographique
Résumé
Summary We present a new method for automatic detection of suspicious breast cancer lesions using ultrasound. The system is fully automated. It uses fuzzy logic and compounding for de‐noising. A fuzzy membership function based on the gray values of ultrasound images is applied for de‐noising, improving the quality of the image and increasing separation between foreground and background, thus making easier detection of lesions. A novel approach based on neural network is used for segmentation of ultrasound images, and correlation between ultrasound images taken from different angles allows overcoming the problem of shadowing. We consider a combination of morphological and texture features and use sequential forward search, sequential backward search, and distance‐based method to select the best subset of features. We rank the features using distance‐based method and use a combination of sequential forward search and sequential backward search to select the best features (bidirectional search). Finally, support vector machine classifier is used for detecting suspicious lesions. The results of experiments show that our system performs better than other state‐of‐the‐art computer‐aided diagnosis systems with the accuracy of 98.75%. Furthermore, we used concurrency to improve the computational efficiency. In concurrent implementation of de‐noising, segmentation, and feature selection and extraction, we assign each pixel of an ultrasound image to a different thread. We also benefit from multi‐core computing by running each classifier on a different thread. Concurrent implementation of our computer‐aided diagnosis system reduces overall computational time by 85%. Copyright © 2015 John Wiley & Sons, Ltd.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».