Publikace detail

A new feature extraction framework based on wavelets for breast cancer diagnosis

Autoři: Ergin Semih | Kilinc Onur

Rok: 2014

Druh publikace: článek v odborném periodiku

Název zdroje: Computers in Biology and Medicine

Název nakladatele: Elsevier

Místo vydání: Kidlington

Strana od-do: 171-182

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Pracoviště

Jak nás najdete?

Služby

Často hledáte