Zastosowanie kwantyzacji wektorowej LVQ w wyborze cech i klasyfikacji mikrozwapnień

• Autorzy: Boniński P. , Kazubek M. , Przelaskowski A.

Warianty tytułu

LVQ and backpropagation neural networks applied in feature selection and classification of microcalcifications

• Konferencja: Techniki Przetwarzania Obrazu - TPO 2002 ; (4 ; 21-23.11.2002 ; Serock, Polska)
• Języki publikacji: PL

Abstrakty

PL

Niniejsza praca dotyczy wykorzystania algorytmów Learning Vector Quantization w procesie automatycznego wyboru cech i klasyfikachi mikrozwapnień w obrazach mammograficznych oraz porównania efektów klasyfikacji tym algorytmem z powszechnie stosowaną siecią neuronową z propagacja wsteczną. Zaproponowano nową, bazującą na LVQ i kryterium dyskryminacyjnym Fishera metodę selekcji cech. Zweryfikowano przydatność wyselekcjonowanych cech do klasyfikacji.

EN

This paper refers to the applying of Learning Vector Quantization algorithms in automatic feature selection and classification of microcalcification in mammographic images and comparison classification efficiency of LVQ to common applicable backpropagation neural network. The new feature selection method, based on the LVQ and Fisher discriminant criterion, was suggested. The usefulness of the selected features for classification was verified.

Słowa kluczowe

PL

mammografia cyfrowa; mikrozwapnienie; kwantyzacja wektorowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronizacja : podzespoły i zastosowania elektroniki
• Rocznik: 2003
• Tom: Vol. 23, nr 3
• Strony: 11--15
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Boniński P.

• Politechnika Warszawska, Instytut Radioelektroniki

autor

Kazubek M.

• Politechnika Warszawska, Instytut Radioelektroniki

autor

Przelaskowski A.

• Politechnika Warszawska, Instytut Radioelektroniki

Bibliografia

• 1. Praca zbiorowa pod redakcją J. Dziukowej: Mammografia w diagnostyce raka sutka. Warszawa, Bel Corp 1998.
• 2. Chany Heang-Ping, Sahiner B., Petrick N., Helvie M. A., Lam K. Leung, Adler D. D., Goodsitt M. M.: Computerized classification of malignant and benign microcalcifications on mammograms: texture analysis using an artificial neural network. Phys. Med. Biol. 42 (1997), pp. 549-567.
• 3. Wróblewska A.: Komputerowe wspomaganie diagnostyki raka piersi na podstawie badań mammograficznych. Polit. Warsz. 2002.
• 4. Jiang Y.: Classification of Breast Lesions from Mammograms. Handbook of Medical Imaging. Academic Press, 2000, pp. 341-357.
• 5. Haralick R. M., Shanmugam K., Dinstein I.: Texture features for image classification. 1973 IEEE Trans. Syst. Man. Cybernet. 3, pp. 610-21.
• 6. Raudys S., Pikelis V.: On dimensionality, sample size, classification error, and complexity of classification algorithm in pattern recognition. IEEE Trans. Pattern Anal. Machine Inteli. 2, 1980, pp. 242-52.
• 7. Kohonen T.: Self-Organizing Maps w Information Sciences, vol. 30, Sprinter Series in Information Sciences., 1995.
• 8. Fukunaga K.: lntroduction to statistical pattern recognition. Academic Press 1972.
• 9. Jain A. K., Duin R. P. W., Mao J.: Statistical Pattern. Recognition: A Review. IEEE Trans. Pattern Anal. Machine Intell. vol. 22, no. 1, Jan. 2000.
• 10. M-K Hu: Visual pattern recognition by moment invariants. IRE Transactions on Information Theory IT-8 1962, pp. 179-187.
• 11. Yu S., Guan L.: A CAD System for the Automatic Detection of Clustered Microcalcifications in Digitized Mammogram Films. IEEE Transactions of Medical Imaging 19, February 2000.
• 12. Freeman J. A., Skapura I. D. M.: Neural Networks - Algorithms, Applications, and Programming Techniques Reading. MA: Addison-Wesley 1991.