Systematical Analysis and Pathological Classification of Breast Cancer from Mammographic Images with Using Specific Machine Learning Methods
Notice bibliographique
Résumé
For years, breast cancer has been a serious problem and malignant tumor case primarily causes death of women all around the world. In this paper, a computer based breast tumor analysis and pathological case classification system has been achieved and some novelties are included to the image processing methods, especially in segmentation and base frequency distribution acquisition of the processed image and classification part. First, the possible noises and artifacts are eliminated by using common filtering. Second, the filtered images are segmented with integrating gray level Image Processing methods. Then, these images (ROIs) are converted to the base frequency distribution images with using Fast Fourier Transform (FFT) and Lab&HSV color spaces. The most important key for these images is frequency distribution can be obtained with specific color tones and totally 100 images (50 benign-50 malignant) are accumulated to fed the two different Machine Learning models in literature such as Probabilistic Neural Network as Learning Vector Quantization (LVQ) and Support Vector Regression (SVR) for classification of Benign and Malignant cases without the need for additional medical data. Then the performance of the proposed system is analyzed with 30 different test images (15 benign-15 malignant) according to the metrics like accuracy, sensitivity, specificity, precision, F-score and area under the ROC curve (AUC score). The experimental results on the open access mammogram image set show that discriminating between Benign and Malignant cases can be achieved with an important success rate as 91.38% with LVQ and %.92 with SVR.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».