رویکردی مبتنی بر خوشهبندی میان استخراج ویژگی هوشمند و مدلهای طبقهبندی برای افزایش کارایی و دقت طبقهبند: با تمرکز بر تشخیص سرطان سینه.
نویسندگان
1 دانشگاه علوم پزشکی مشهد
2 دانشگاه علوم پزشکی مشهد
3
4
5
doi
چکیده
این مقاله یک رویکرد نوین را معرفی میکند: مدل هیبریدی هوشمند استخراج ویژگی مبتنی بر خوشهبندی برای تشخیص خودکار سرطان. این مدل ریاضی کارایی ویژگی را با تکیه بر فرمولهای ویژگی موجود بهبود میبخشد. این مدل، ویژگیهای تولید شده جدید را با ویژگیهای فعلی ادغام کرده و یک فضای ویژگی جدید بهینه شده برای تشخیص زودهنگام سرطان ایجاد میکند. به طور قابل توجهی، از آنجایی که هر ویژگی مشتق شده یک مقدار با دقت ۱۲ رقم اعشار تولید میکند، ما از الگوریتم K-means تثبیت شده برای خوشهبندی مؤثر مقادیر ویژگی استفاده میکنیم. ما روش خود را با استفاده از پایگاه داده انجمن تحلیل تصاویر ماموگرافی (MIAS) و زیرمجموعه تصویربرداری پستان از پایگاه داده دیجیتال غربالگری ماموگرافی (CBIS-DDSM) اعتبارسنجی کردیم. یافتههای ما تأیید میکند که رویکرد پیشنهادی، موارد نرمال/غیرنرمال و خوشخیم/بدخیم را به طور ماهرانهای طبقهبندی میکند. با اصلاح ساختار ویژگی در این فضای نوآورانه، دقت تشخیص سرطان پستان را به طور چشمگیری بهبود بخشیدیم. برای پایگاه داده CBIS-DDSM، نتایج به همان اندازه چشمگیری با همان طبقهبند بیز ساده مشاهده شد: دقت ۱۰۰٪، حساسیت ۹۹.۳٪ و ویژگی ۹۹.۵٪ در تشخیص سرطان پستان. این تحقیق، پایداری قابل توجه مدل را در میان پایگاههای داده متنوع نشان میدهد.
