Detection of Abnormality in Deterministic Compressive Sensed Breast Thermograms Using Bilateral Asymmetry
Notice bibliographique
Résumé
The increased number of breast cancer cases worldwide necessitates the development of early breast abnormality detection techniques. Thermography serves as a promising imaging modality that can be used as an adjunctive tool with mammography for early breast abnormality detection. It can be particularly useful for breast abnormality detection in developing or underdeveloped countries that have a limited number of medical professionals and low-power processing units for diagnosis. Appropriate compression of breast thermal images reduces the data storage expenses and computational complexity of the algorithms for breast abnormality detection using thermography. Therefore, we are motivated to use deterministic compressive sensing (CS) for the compression of the red-plane extracted from the breast thermograms and detecting breast abnormality in the compressed domain using the compressed red plane. The deterministic CS technique employs a given deterministic binary block diagonal (DBBD) matrix that acts as a low-pass filter and downsampler and preserves the features needed for abnormality detection. We propose a bilateral asymmetry analysis-based breast abnormality detection technique in the compressed domain. A performance analysis of compressed domain breast abnormality detection technique with red-plane thermograms compressed using CS and non-CS compression techniques at different compression ratios (CRs) along with an analysis of computational complexities is presented. A comprehensive analysis of the performance of compressed domain breast abnormality detection is also explored when different types of common medical image noises (Gaussian, salt and pepper, and speckle noise) at different noise levels are present.
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) | 0,000 | 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 ».