A Complex Diffusion Based Modified Fuzzy C- Means Approach for Segmentation of Ultrasound Image in Presence of Speckle Noise for Breast Cancer Detection
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
This paper proposes a single framework for segmentation of abnormalities for breast cancer detection from Ultrasound images in presence of Rayleigh noise i.e. noise removal and segmentation are embedded in single step. It accomplishes dual purpose in a single framework simultaneously for the preprocessing and segmentation. The proposed framework comprises of two terms, first term, is used for segmentation which is a modified fuzzy c-means segmentation (MFCM) approach while second term is an adaptive complex diffusion based non linear filter (ACDPDE) that performs as regularization function for removal of Rayleigh noise, enhancement, and edge preservation of ultrasound Image. The various existing segmentation methods viz. K-Means, Texture based, Fuzzy C-Means (FCM), total variation based FCM (TVFCM), Adaptive fourth order PDE based FCM (AFPDEFCM), and the proposed method are evaluated for 50 sample ultrasound images of breast cancer. The region of interest (ROI) segmented image of ultrasound breast tissue is compared with ground truth images. From the acquired results and its analysis, it is observed that the proposed method is more robust and provides better segmentation result for ultrasound images in terms of various performance measures such as Global Constancy error (GCE), Tanimoto coefficient, Variation of Information (VOI), Probability Random Index (PRI), Jaccard coefficient, accuracy, True Positive Rate (TPR), False Positive Rate (FPR), True Negative Rate (TNR), dice index, False Negative Rate (FNR), and Area under curve (AUC). The proposed approach is capable of handling segmentation problem of blocky artifacts while achieving good tradeoff between Rayleigh noise removal and edge preservation. The proposed method may be useful for finding additional 33% cases of breast cancer which is missed or not detected by mammography.
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 | 0,000 |
| 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) | 0,000 | 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