Bilateral Symmetry-Based Abnormality Detection in Breast Thermograms Using Textural Features of Hot Regions
Notice bibliographique
Résumé
With an increase in the number of breast cancer cases worldwide, there is an urgent need to develop techniques for early abnormality detection. Thermography is known for its potential to detect breast abnormalities at an early stage. A novel threshold-based non-machine learning asymmetry analysis using textural features is proposed for breast abnormality detection. Breast abnormalities are indicated by regions of elevated temperatures (hot-regions), usually, indicated by red colour in thermograms. In this work, the breast thermograms are segmented to extract breast tissue profiles and then the red-plane of an RGB thermogram is utilized to analyze the natural contralateral symmetry between the left and right breast of an individual. A novel textural feature based on histogram similarity along with known textural features such as fractal dimension, hurst exponent, spectral norm and Frobenius norm are used as features for asymmetry analysis. Bilateral ratios of these features indicate contralateral symmetry between the left and right breast. A bilateral ratio value closer to 1 indicates such symmetry. Hard voting is done among all the bilateral ratios of the textural features to estimate asymmetry between the left and right breast and detect an individual with breast abnormality. The proposed methodology is evaluated on publicly available datasets. It outperforms the state-of-the-art and achieves an accuracy of 96.08%, sensitivity of 100% and specificity of 93.57%. A comparative analysis of statistical and textural features has also been demonstrated. A novel singular value decomposition (SVD)-based abnormal breast detection technique has been proposed with evaluations on a limited dataset.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».