Revolutionizing classification: A novel gray level co-occurrence matrix and statistical feature-based segmentation approach
Notice bibliographique
Résumé
The accurate and efficient classification of leukemia images is crucial for early diagnosis and effective treatment planning. Traditional methods often face challenges in handling the complexity and variability of medical images. To address these challenges, we propose a novel approach that leverages the Gray Level Co-occurrence Matrix (GLCM) and statistical feature-based segmentation techniques. In this paper, we present a comprehensive framework for the automated classification of leukemia images using advanced image processing techniques. The methodology involves six key stages: input of leukemia images, preprocessing to enhance image quality, segmentation to isolate relevant features, feature extraction using texture analysis, classification using multiple distance metrics Euclidean, Manhattan, Canberra, and Chebyshev, and performance evaluation. Our results demonstrate significant improvements in classification accuracy, sensitivity, specificity, and error rates across various metrics and feature sets. For instance, using the Chebyshev distance, we achieved an average accuracy of 82.69%, sensitivity of 85.95%, and specificity of 82.77%. The Canberra distance provided optimal performance with 65 features, yielding an accuracy of 85.18%, sensitivity of 86.39%, and specificity of 86.31%. These findings underscore the efficacy of our approach in distinguishing between healthy and leukemic cells, thereby contributing to early diagnosis and effective treatment planning for leukemia.
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 | 0,001 | 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 | 0,002 | 0,004 |
| Science ouverte | 0,002 | 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 ».