Characterization and pattern recognition of color images of dermatological ulcers: a pilot study
Notice bibliographique
Résumé
We present color image processing methods for the char\-ac\-te\-ri\-za\-tion of images of dermatological lesions for the purpose of content-based image retrieval (CBIR) and computer-aided di\-ag\-no\-sis. The intended application is to segment the images and perform classification and analysis of the tissue composition of skin lesions or ulcers, in terms of granulation (red), fibrin (yel\-low), necrotic (black), callous (white), and mixed tissue composition. The images were analyzed and classified by an expert dermatologist following the red-yellow-black-white model. Automatic segmentation was performed by means of clustering using Gauss\-ian mixture modeling, and its performance was evaluated by deriving the Jaccard coefficient between the automatically and manually segmented images. Statistical texture features were derived from cooccurrence matrices of RGB, HSI, L$^*$a$^*$b$^*$, and L$^*$u$^*$v$^*$ color components. A retrieval engine was implemented using the k-nearest-neighbor classifier and the Euclidean, Man\-hat\-tan, and Chebyshev distance metrics. Classification was performed by means of a metaclassifier using logistic regression. The average Jaccard coefficient after the segmentation step between the automatically and manually segmented images was 0.560, with a standard deviation of 0.220. The performance in CBIR was mea\-sured in terms of precision of retrieval, with average values of up to 0.617 obtained with the Chebyshev distance. The metaclassifier yielded an average area under the receiver operating char\-ac\-ter\-is\-tic curve of 0.772.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».