Login for students

Login for employees

Publication detail

A new feature extraction framework based on wavelets for breast cancer diagnosis
Authors: Ergin Semih | Kilinc Onur
Year: 2014
Type of publication: článek v odborném periodiku
Name of source: Computers in Biology and Medicine
Publisher name: Elsevier
Place: Kidlington
Page from-to: 171-182
Titles:
Language Name Abstract Keywords
cze Nový způsob získávání informací z diagnostického snímkování rakoviny prsu Práce se zabývá rozpoznáváním útvarů na snímcích z vyšetření rakoviny prsu. Jsou použity různé základní metody pro rozlišení snímků na normální a abnormální (pozitivní zjištění rakoviny). Použity jsou metody Histogram of Oriented Gradients (HOG), Dense Scale Invariant Feature Transform (DSIFT) a Local Configuration Pattern (LCP). Získané výsledky nejsou zcela jednoznačné, proto je navržen doplňující postup pro získání přesnějších výsledků. Použité postupy umožňují přesnější vyhodnocení snímků. rakovina prsu; extrakční funkce; počítačová mamografie; diagnostikování s podporou počítače
eng A new feature extraction framework based on wavelets for breast cancer diagnosis This paper investigates a pattern recognition framework in order to determine and classify breast cancer cases. Initially, a two-class separation study classifying normal and abnormal (cancerous) breast tissues is achieved. The Histogram of Oriented Gradients (HOG), Dense Scale Invariant Feature Transform (DSIFT), and Local Configuration Pattern (LCP) methods are used to extract the rotation- and scale-invariant features for all tissue patches. A classification is made utilizing Support Vector Machine (SVM), k-Nearest Neighborhood (k-NN), Decision Tree, and Fisher Linear Discriminant Analysis (FLDA) via 10-fold cross validation. Then, a three-class study (normal, benign, and malignant cancerous cases) is carried out using similar procedures in a two-class case; however, the attained classification accuracies are not sufficiently satisfied. Therefore, a new feature extraction framework is proposed. The feature vectors are again extracted with this new framework, and more satisfactory results are obtained. Our new framework achieved a remarkable increase in recognition performance for the three-class study Breast cancer; Feature extraction; Digital mammography; Computer aided diagnosis

Departments

Other Parts

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives