Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightElde edilen başarı oranları literatürdeki makine öğrenmesi sonuçlarına göre yüksek ve derinöğrenme sonuçları ile kıyaslanabilir sonuçlardır.
📌 3 Maddede Bu Makale
Özet
Meme kanseri teşhisinde kullanılan mamografilerdeki anormalliklerin sınıflandırılması için makine öğrenmearaştırmaları büyük önem arz etmektedir. Bu çalışmada Curated Breast Imaging Subset of Digital Database forScreening Mammography (CBIS-DDSM) görüntü tabanındaki kitleli ve kalsifikasyonlu mamografi görüntülerisınıflandırılmıştır. Veri setindeki görüntülerden Yerel İkili Örüntü(YİÖ), Yerel Türev Örüntü, Yerel DörtlüÖrüntü(YDÖ), ve Gürültüye Dirençli Yerel İkili Örüntü yöntemleri ile doku öznitelikleri çıkarılmıştır. Öznitelikçıkarım yöntemlerinden yerel çarpıklık örüntü tabanlı ayrıntılı histogram yöntemiyle de öznitelik çıkarımıyapılmıştır. Daha sonra öznitelik vektörleri doğrusal ve radyal tabanlı fonksiyon kernel destek vektörmakineleri(DVM) ve yapay sinir ağları (YSA) kullanılarak sınıflandırılmıştır. Eğitim ve doğrulama verisi için 5-kez çapraz doğrulama yöntemi uygulanmıştır. En yüksek sınıflandırma performansı veren eşik seviyeleri vepencere boyutları her bir öznitelik çıkarım yöntemi için belirlenmiştir. Öznitelik çıkarımı için gerekli olan sürelertablo halinde verilmiştir. Öznitelik çıkarım yöntemi olarak farklı çap ve nokta sayısı ile hesaplanmış YİÖ vektörlerifüzyonu ve sınıflandırıcı olarak 2 gizli katmanlı YSA kullanılması durumunda test verisi için %85.74 başarı oranıelde edilmiştir. Elde edilen başarı oranları literatürdeki makine öğrenmesi sonuçlarına göre yüksek ve derinöğrenme sonuçları ile kıyaslanabilir sonuçlardır.
Abstract
Machine learning research for the classification of breast cancer abnormalities is very crucial. In this study, mass and calcification abnormalities of mammograms in the Curated Breast Imaging Subset of Digital Database for Screening Mammography (CBIS-DDSM) were classified. Local binary pattern (LBP), local derivative pattern, local tetra pattern (LTrP), and noise resistant local binary pattern features were extracted from the images in the data set. Histogram refinement methods of LBP and its variants based on local skewness pattern were also extracted. Feature vectors were then classified by using linear and radial basis function kernel support vector machines (SVM) and an artificial neural network (ANN). 5-fold cross-validation was conducted. The highest performance classification conditions including threshold level and the window size were reported for LBP, its variants, and the histogram refinement methods. Feature extraction time requirements for LBP and its variants were reported. Test accuracy of 85.74 was achieved when feature vectors were extracted at different radius and number of points and fused and classified by using 2 hidden-layer neural network. The test accuracies obtained in this study are better than the machine learning approaches in the literature and comparable with the deep learning results.