Comparative Analysis of Texture Patterns on Mammograms for Classification
Notice bibliographique
Résumé
Breast cancer is a cancerous tumor that arrives within the tissues of the breast. Women are mostly attacked than men. To detect early cancer medical specialists, suggest mammography for screening. Algorithms in Machine learning were executed on mammogram images to classify whether the tissues are deleterious or not. An analysis is done based on the texture feature extraction using different techniques like Frequency decoded local binary pattern (FDLBP), Local Bit-plane Decoded Pattern (LBDP), Local Diagonal Extrema Pattern (LDEP), Local Directional Order Pattern (LDOP), Local Wavelet Pattern (LWP). The features extracted are tested on 322 images from MIA’s database of three different classes. The algorithms in Machine learning like K-Nearest Neighbor classifier (KNN), Support vector classifier (SVC), Decision Tree classifier (DTC), Random Forest classifier (RFC), AdaBoost classifier (AC), Gradient Boosting classifier (GBC), Gaussian Naive Bayes classifier (GNB), Linear Discriminant Analysis classifier (LDA), Quadratic Discriminant Analysis classifier (QDA) were used to evaluate the accuracy of classification. This paper examines the comparison of accuracy using different texture features. KNN algorithm with LDEP for texture feature extraction gives classification accuracy of 64.61%, SVC with all the texture patterns mentioned gives classification accuracy of 63.07%, DTC with FDLBP, LBDP gives classification accuracy of 47.69, RFC with LBDP and AC with LDOP and GBC with FDLBP gives 61.53% classification accuracy, GNB and LDA with FDLBP gives 60% and 63.07% classification accuracy respectively, QDA with LBDP gives 64.61 classification accuracy. Of all the Algorithms support vector classifier gives good accuracy results with all the texture patterns mentioned.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 | 0,001 |
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 ».