K-Means Clustering and Classification of Breast Cancer Images Using Histogram of Oriented Gradients Features and Convolutional Neural Network Models: Diagnostic Image Analysis Study
Notice bibliographique
Résumé
Background: Breast cancer has proven to be the most common type of cancer among females around the world. However, mortality rates can be reduced if it is diagnosed at the initial stages. Interpretation made by an expert is required by conventional diagnostic tools such as biopsies and mammograms, and this interpretation can be erroneous. Artificial intelligence has increasingly been used to detect and classify breast cancer. Yet, the acquisition of impressive reliability and accuracy continues to be challenging with these automated systems. Objective: This study aimed to develop an innovative hybrid technique for the classification of breast cancer images involving unsupervised analysis by K-means clustering, feature extraction using Histogram of Oriented Gradients (HOG), and classification of images through a convolutional neural network (CNN). Methods: This study used a dataset of 2788 breast cancer images categorized into benign (n=1480) and malignant (n=1308) classes. The proposed hybrid method included three stages: (1) unsupervised clustering using K-means to group visually similar features; (2) feature extraction using Histogram of Oriented Gradients (HOG) to capture texture and shape patterns; and (3) classification using a CNN trained on the extracted features. The model's performance was evaluated using standard metrics such as accuracy, precision, recall, and F1-score. Results: The CNN achieved a classification accuracy of 98%, with precision, recall, and F1-score values of 0.98 for both benign and malignant cases. K-means clustering revealed distinct groups corresponding to benign and malignant tumors, indicating natural separability in the image data. Conclusions: The combination of HOG feature extraction and CNN-based classification demonstrated high performance in breast cancer detection. The model demonstrates potential utility for automated diagnosis, with possible clinical applications to assist radiologists in identifying malignant tumors more efficiently. Future research will explore additional imaging modalities and real-world clinical testing.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».