ANALYSIS OF SPECIFIC PARAMETERS FOR SKIN TUMOR CLASSIFICATION
Notice bibliographique
Résumé
During the last years, computer vision-based diagnosis systems have been widely used in several hospitals and dermatology clinics, aiming mostly at the early detection of malignant melanoma tumor, which is among the most frequent types of skin cancer, versus other types of nonmalignant cutaneous diseases. They grow in melanocytes, the cells responsible for pigmentation. This type of cancer is increasing rapidly and its related mortality rate is increasing more modestly, and inversely proportional to the tumor’s thickness. The mortality rate can be decreased by earlier detection of suspicious lesions and better prevention. In this work, we are interested in extracting all specific attributes which can be used for computer-aided diagnosis of melanoma. In the first step of the proposed work, we applied the Dull Razor [Lee T et al., Dullrazor: A software approach to hair removal from images, Cancer Control Research, British Columbia Cancer Agency, Vancouver, Canada, Vol. 21, No. 6, pp. 533–543, 1997] technique to images to reduce the influence of small structures, hairs, bubbles, light reflection. In the second step, a new fuzzy level set algorithm is proposed in order to facilitate the medical image segmentation task. It is able to directly evolve from the initial segmentation proposed that uses a spatial fuzzy clustering approach. The controlling parameters of the level set evolution are also estimated from the results of the fuzzy clustering step. This step is essential to characterize the shape of the lesion and also to locate the tumor to be analyzed. In this paper, we have also treated the necessity to extract all the specific attributes used to develop a characterization methodology that enables specialists to take the best possible diagnosis. For this purpose, our proposal relies largely on visual observation of the tumor while dealing with some characteristics as color, texture or form. The method used in this paper is called ABCD. It requires calculating four factors: Asymmetry ([Formula: see text], Border ([Formula: see text], Color ([Formula: see text], and Diversity ([Formula: see text]. Finally, these parameters are used to construct a classification module based on artificial neural network for the recognition of malignant melanoma.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».