Unsupervised Learning for Breast Abnormality Detection using Thermograms
Notice bibliographique
Résumé
Breast cancer is the most diagnosed cancer in women globally. Thermography, an adjunctive tool to mammography, may be used for early detection of breast abnormality. The existing supervised learning techniques in the literature for abnormality detection using breast thermogram images require a big training set of labeled samples for adequate learning. However, labeling a large dataset is a resource-intensive and time-consuming process. Therefore, this work proposes a novel unsupervised learning methodology that employs a gradient-based local feature descriptor for abnormality detection using breast thermograms. Different measures of similarity (or distance) between the histogram of oriented gradients features (HoG, a gradient-based local feature descriptor) of the left and the right breast of an individual are used to identify the asymmetry between both breasts. The distances between the HoG features of both breasts are clustered using an unsupervised clustering algorithm called the <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$K$</tex> -means algorithm. The cluster with a greater centroid value (higher mean of distance values) indicates asymmetry and is labeled as abnormal. The red-plane of a thermogram containing the regions of higher temperature is extracted for enhanced gradient information and thereby, for enhanced detection of breast abnormality. This work pioneers the application of asymmetry-based unsupervised learning for the detection of breast abnormality in thermograms and achieves an accuracy of 86.52%.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».