Improved Detection of Abnormality in Grayscale Breast Thermal Images Using Binary Encoding
Notice bibliographique
Résumé
Breast cancer is one of the most frequently diagnosed cancers among women. Thermography is an adjunct tool to mammography that facilitates early abnormality detection. The temperature matrices recorded during thermography are pseudo-colored to form RGB images using user-defined color palettes and these color palettes must be chosen cautiously for accurate abnormality detection. Grayscale breast thermal images linearly mapped from temperature matrices are independent of the choice of user-defined color palettes; however, the absence of distinct gradients of tumors in grayscale breast thermal images deteriorates the performance of abnormality detection. Therefore, this work introduces the concept of gradient enhancement of grayscale breast thermal images using local non-parametric binary encoding transforms, namely, census transform (CT) and local binary pattern (LBP) for enhanced abnormality detection. A comparative analysis of the performance of abnormality detection using different types of features (statistical and textural) with binary encoded breast thermal images as inputs is presented. Breast thermal images encoded using CT achieve higher abnormality detection as compared to breast thermal images encoded using LBP. The proposed methodology achieves a balanced accuracy of 94.26% with CT-transformed breast thermal images which is approximately 6% higher than the balanced accuracy achieved by non-binary encoded grayscale breast thermal images when textural features were employed for abnormality detection. The influence of the number of neighboring pixels of the CT and LBP transforms on the performance of abnormality detection is also investigated.
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 | 0,001 |
| 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 ».