Mammographic Masses Descriptor for Breast Cancer Classification and Automatic Diagnosis
Notice bibliographique
Résumé
An automatic breast cancer diagnosis is a challenging task because breast masses have a random appearance and vary in size and shape.A descriptor is an algorithm that quantifies elementary characteristics such as color, texture, contour, or shape.In digital mammography, numerous descriptors have been employed to differentiate between benign and malignant tumor patterns, but automatic diagnosis remains a difficult function.In this paper, we proposed a novel approach based on local features to describe masses in mammograms via Polygon Approximation Triangle-Area Representation (PATAR).As the degree of spiculation in masse defines their level of malignancy, the strength of our approach lies in its ability to isolate and measure spiculations in breast masses.PATAR is a robust image descriptor composed of two steps: polygon approximation and triangle-area representation.Firstly, we applied a polygon approximation to the masses to raise the most critical spiculations and lobulations.Then, by browsing the points of the polygon, calculate the triangle's area formed by the vertices of the polygon, ears, and mouths.The extracted characteristics describe the shape and show the severity of spiculations with high precision.Digital mammography CBIS-DDSM is used to evaluate the method with a Fuzzy C-Means classifier, Support Vector Machines (SVM), and Random Forest (RF).The Random Forest classifier achieved the best performance, reaching 97,94%.The proposed method provides a fully automated diagnosis with the best accuracy and invariance to scale and rotation.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».