Women are particularly vulnerable to breast cancer. Breast cancer diagnosis has benefited greatly from the utilization of ultrasound imaging. Breast UltraSound (BUS) image segmentation remains a difficult challenge due to low image quality. Furthermore, BUS image segmentation, as well as classification, is an important stage in the analysis process. Initially, the image associated with breast cancer is gathered from MIAS database. The gathered image undergoes pre-processing operation using the adaptive median filtering technique. Subsequently, the segmentation is performed in the pre-processed images using the hybrid method consisting of GMM and K-Means. These segmented images undergo the feature extraction steps further where the features are extracted by utilizing the Gray Level Co-occurrence Matrix (GLCM). Grey Wolf Optimization (GWO) selects the optimal features for further classification using a novel 1D Convolution LSTM. Here, the pooling layer of 1D CNN is replaced by the LSTM. The objective function behind the optimal feature selection and classification is the accuracy maximization. Finally, the novel One Dimensional Convolution Long Short Term Memory (1 DCLSTM) classifies the outcome into normal, benign, and malignant, respectively. The proposed method is compared with the other state of art methods related to this research.
PL
Kobiety są szczególnie narażone na raka piersi. Diagnostyka raka piersi bardzo skorzystała na wykorzystaniu obrazowania ultrasonograficznego. Segmentacja obrazu UltraSound (BUS) piersi pozostaje trudnym wyzwaniem ze względu na niską jakość obrazu. Ponadto segmentacja obrazu BUS, a także klasyfikacja, jest ważnym etapem procesu analizy. Początkowo obraz związany z rakiem piersi pozyskiwany jest z bazy MIAS. Zgromadzony obraz jest poddawany wstępnemu przetwarzaniu przy użyciu techniki adaptacyjnego filtrowania medianowego. Następnie na wstępnie przetworzonych obrazach przeprowadzana jest segmentacja metodą hybrydową składającą się z GMM i K-Means. Te podzielone na segmenty obrazy przechodzą kolejne etapy ekstrakcji cech, w których cechy są wyodrębniane przy użyciu macierzy współwystępowania poziomu szarości (GLCM). Optymalizacja Gray Wolf (GWO) wybiera optymalne funkcje do dalszej klasyfikacji przy użyciu nowatorskiego rozwiązania 1D Convolution LSTM. W tym przypadku warstwa łączenia 1D CNN zostaje zastąpiona przez LSTM. Funkcją celu stojącą za optymalnym doborem i klasyfikacją cech jest maksymalizacja dokładności. Wreszcie, powieść jednowymiarowa pamięć krótkoterminowa z konwolucją jednowymiarową (1 DCLSTM) klasyfikuje wynik odpowiednio na normalny, łagodny i złośliwy. Proponowana metoda jest porównywana z innymi nowoczesnymi metodami związanymi z tymi badaniami.
Specific emitter identification (SEI) can distinguish single-radio transmitters using the subtle features of the received waveform. Therefore, it is used extensively in both military and civilian fields. However, the traditional identification method requires extensive prior knowledge and is time-consuming. Furthermore, it imposes various effects associated with identifying the communication radiation source signal in complex environments. To solve the problem of the weak robustness of the hand-crafted feature method, many scholars at home and abroad have used deep learning for image identification in the field of radiation source identification. However, the classification method based on a real-numbered neural network cannot extract In-phase/Quadrature (I/Q)-related information from electromagnetic signals. To address these shortcomings, this paper proposes a new SEI framework for deep learning structures. In the proposed framework, a complex-valued residual network structure is first used to mine the relevant information between the in-phase and orthogonal components of the radio frequency baseband signal. Then, a one-dimensional convolution layer is used to a) directly extract the features of a specific one-dimensional time-domain signal sequence, b) use the attention mechanism unit to identify the extracted features, and c) weight them according to their importance. Experiments show that the proposed framework having complex-valued residual networks with attention mechanism has the advantages of high accuracy and superior performance in identifying communication radiation source signals.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.