注明:本人英语水平有限,翻译不当之处,请以英文原版为准,不喜勿喷,另,本文翻译只限于学术交流,不涉及任何版权问题,若有不当侵权或其他任何除学术交流之外的问题,请留言本人,本人立刻删除,谢谢!!

另:欢迎转载,但请标明出处!

《基于区域生长的良性和恶性乳腺肿瘤的分类》

摘要

良性肿瘤被认为是导致女性死亡的常见起因之一,对良性肿瘤的早期检测能够提高患者的生存率,因此创造一个能够检测乳腺的可疑组织的系统是非常重要的。本文提出两种自动检测良性和恶性肿瘤的方法,第一种方法中,使用自动的区域生长法进行图形分割,区域生长法的门限值是通过ANN得到的。第二种方法中,采用细胞神经网络(CNN)进行图像分割,CNN的参数是通过遗传算法(GA)得到的。像素,文本和形态特征从分割的乳腺中提取出来,GA算法选取其中的合适的特征。下一阶段,采用ANN对乳腺肿瘤进行分类,为了评价本文所提不同分类器(例如随机森林,贝叶斯,SVM,KNN)的分类性能,在MIAS和DDSM数据库中进行了测试,分别得到敏感性,特异性,整体进度为96.87,95.94,96.47。

根据美国癌症协会(ACS)的统计,2013年大约有40030名患者死于乳腺癌,其中包括39620名女性和410名男性。乳腺癌是指乳房组织细胞的异常增殖,被认为是即肺癌之后威胁女性健康的第二大杀手。从1989 年开始,50岁以下女性乳腺癌的死亡率有了明显的下降。这得益于早期检测和有效的治疗。一般来说,在乳房中会有几种类型的一场存在,例如肿块和微钙化等。肿块是由于某些损伤,肿块,或者是结节造成的,微钙化主要是由于腺体分泌的乳汁中钙的沉积造成的,个体微钙化的大小可能介于20-200微米之间。因此乳腺中,微钙化与其他组织的X光成像对比度差异很明显,检测和诊断也有很大的挑战性。

数字X光成像系统近期的发展主要旨在提高乳房异常的诊断和提高患者的生存几率。计算机辅助诊断系统一般是全自动或者半自动的设备,主要利用计算机技术来帮助放射科医生检测和区分乳腺中的异常情况。因此,CAD系统是对放射科医生有很大的帮助,一般来说,一个CAD系统分为分割,特征提取和分类三个阶段。分割出乳腺肿瘤X线图像的主要特征,例如边界

《Benign and maligenant breast tumors classification based on region growing and CNN segmentation》翻译阅读与理解的更多相关文章

  1. A Novel Multi-label Classification Based on PCA and ML-KNN

     ICIC Express Letters                  ICIC International ⓒ2010 ISSN 1881-803X Volume4, Number5, O ...

  2. Multiclonal Invasion in Breast Tumors Identified by Topographic Single Cell Sequencing

    Title:  Multiclonal Invasion in Breast Tumors Identified by Topographic Single Cell Sequencing 课题的目的 ...

  3. [Tensorflow] Cookbook - Object Classification based on CIFAR-10

    Convolutional Neural Networks (CNNs) are responsible for the major breakthroughs in image recognitio ...

  4. Hyperspectral Images Classification Based on Dense Convolutional Networks with Spectral-Wise Attention Mechanism

    借鉴了DenseNet的思想,用了空洞卷积而不是池化,使得特征图不会缩小,因此每个dense连接都可以直接连,最后一层是包括了前面所有层的特征图. 此外还加入了channel-wise的注意力,对每个 ...

  5. CVPR 2011 Global contrast based salient region detection

    Two salient region detection methods are proposed in this paper: HC AND RC HC: Histogram based contr ...

  6. Global Contrast based Salient Region Detection (Ming ming Cheng)

    abstract: Automatic estimation of salient object regions across images, without any prior assumption ...

  7. [C2P2] Andrew Ng - Machine Learning

    ##Linear Regression with One Variable Linear regression predicts a real-valued output based on an in ...

  8. {ICIP2014}{收录论文列表}

    This article come from HEREARS-L1: Learning Tuesday 10:30–12:30; Oral Session; Room: Leonard de Vinc ...

  9. Deep learning_CNN_Review:A Survey of the Recent Architectures of Deep Convolutional Neural Networks——2019

    CNN综述文章 的翻译 [2019 CVPR] A Survey of the Recent Architectures of Deep Convolutional Neural Networks 翻 ...

随机推荐

  1. 图像分割实验:FCN数据集制作,网络模型定义,网络训练(提供数据集和模型文件,以供参考)

    论文:<Fully Convolutional Networks for Semantic Segmentation> 代码:FCN的Caffe 实现 数据集:PascalVOC 一 数据 ...

  2. ORA-00907: 缺失右括号 整理解决

    ORA-00907: 缺失右括号 前言 最近在开发过程中使用oracle数据库,在程序中进行查询数据时遇到了“ORA-00907: 缺失右括号”的问题,但是如果直接把sql语句直接在数据库或PL/SQ ...

  3. C#实现任意大数的计算和简单逻辑命题的证明——前言

    介绍 这是本人毕业设计的项目,一直想将其整理成文,可一不小心4年就过去了(这个时间又可以读个大学了).现在给自己定一个目标,一个月时间里将项目的所有关键点都整理出来.不然真怕一眨眼又一个4年过去了,而 ...

  4. UISegmentedControl和UIStepper的使用

    UISegmentedControl:分栏控件,常用的属性和方法是 1.tintColor:控制分栏控件的颜色风格 2.insertSegmentWithTitle(Image):插入分栏标题(图片) ...

  5. web.xml文件详解

      web.xml文件详解 Table of Contents 1 listener. filter.servlet 加载顺序 2 web.xml文件详解 3 相应元素配置 1 listener. f ...

  6. JSP中动态include和静态include的区别(简版)

    动态的include: 用法:<jsp:include page="1.jsp" flush="true" /> 特点:行为元素,可以带参数:先编译 ...

  7. 图片Exif 信息中Orientation的理解和对此的处理

    这个问题是在用七牛上传图片后获取宽高时发现的,一张图片,用图片浏览器打开始终是竖图,但是查看属性或者用七牛获取宽高,却发现宽大于高,也就是在属性中这是个横图.这样导致客户端用该宽高来展示图片会出现问题 ...

  8. JQGrid 学习1

    这几天一直在学习基于MVC的JQGrid. 记得刚毕业时候做web最头疼的就是GridView,各种分页查询删除,后来学习了Ajax,使用的jqury UI框架ligerui给公司做ERP系统,再后来 ...

  9. [转]大数据hadoop集群硬件选择

      问题导读 1.哪些情况会遇到io受限制? 2.哪些情况会遇到cpu受限制? 3.如何选择机器配置类型? 4.为数据节点/任务追踪器提供的推荐哪些规格? 随着Apache Hadoop的起步,云客户 ...

  10. U-boot的目录结构及spl功能

    转 http://tieba.baidu.com/p/2836672721 对uboot-2010.06及其以后的版本,将体系结构相关的内容合并,增加include文件夹,分离出通用库文件lib,其各 ...