Feature Extraction Optimization with Combination 2D-Discrete Wavelet Transform and Gray Level Co-Occurrence Matrix for Classifying Normal and Abnormal Breast Tumors
Notice bibliographique
Résumé
Breast cancer is one of the leading causes of death worldwide among women. According to GLOBOCAN Data, the International Agency for Research on Cancer (IARC), in 2012 there were 14.067.894 new cases of cancer and 8.201.575 deaths from cancer worldwide (Kementerian Kesehatan Republik Indonesia [KemenkesRI], 2015). Mammography is the most common and effective technique for detecting breast tumors. However, mammograms have poor image quality with low contrast. A Computer-Aided Detection (CAD) system has been developed to help radiologists effectively detect lesions on mammograms that indicate the presence of breast tumor. The feature extraction method in the CAD system is an important part of getting high accuracy results in classifying normal and abnormal breast tumors. By using the combination of 2D-Discrete wavelet transform and Gray-Level Co-Occurrence Matrix (GLCM) obtained an accuracy value of 100% on MIAS and UDIAT Database in classifying the presence of masses in the mammogram image and obtained an accuracy value of 93.8% for classifying normal, benign, and malignant. The proposed method has the potential to identify the presence of masses in the mammogram image as a decision support system to the radiologist.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».