ANN در مقابل SVM: کدام یک در طبقه بندی MCC ها در تصویربرداری ماموگرام بهتر عمل می کند.

ANN vs. SVM: Which one performs better in classification of MCCs in mammogram imaging

A b s t r a c t

Classification of microcalcification clusters from mammograms plays essential roles in computer-aided diagnosis for early detection of breast cancer, where support vector machine (SVM) and artificial neural network (ANN) are two commonly used techniques. Although some work suggest that SVM performs better than ANN, the average accuracy achieved is only around 80% in terms of the area under the receiver operating characteristic curve Az. This performance may become much worse when the training samples are imbalanced. As a result, a new strategy namely balanced learning with optimized decision making is proposed to enable effective learning from imbalanced samples, which is further employed to evaluate the performance of ANN and SVM in this context. When the proposed learning strategy is applied to individual classifiers, the results on the DDSM database have demonstrated that the performance from both ANN and SVM has been significantly improved. Although ANN outperforms SVM when balanced learning is absent, the performance from the two classifiers becomes very comparable when both balanced learning and optimized decision making are employed. Consequently, an average improvement of more than 10% in the measurements of F1 score and Az measurement are achieved for the two classifiers. This has fully validated the effectiveness of our proposed method for the successful classification of clustered microcalcifications.

دانلود رایگان مقاله انگلیسی792.4 KB

چکیده
طبقه بندی خوشه های ریزآهک سازی از ماموگرام ها نقش اساسی در تشخیص کامپیوتری برای تخشیص اولیه ی سرطان سینه ایفا می کند، جاییکه ماشین بردار پشتیبان و شبکه عصبی مصنوعی دو تکنیک متداول می باشند. گرچه برخی کارها نشان می دهند که ماشین بردار پشتیبان بهتر از شبکه عصبی مصنوعی عمل می کند، میانگین صحت بدست آمده تنها حدود 80% برحسب سطح زیر گیرنده با عملکرد منحنی مشخصه می باشد. این کارایی ممکن است خیلی بدتر شود زمانیکه نمونه های آموشی نامتوازن باشند. در نتیجه، استراتژی جدید یعنی یادگیری متوازن با تصمیم گیری بهینه سازی شده برای فراهم سازی یادگیری موثر از نمونه های نامتوازن پیشنهاد می شود که بیشتر برای ارزیابی کارایی شبکه عصبی مصنوعی و ماشین بردار پشتیبان در این متن بکار گرفته می شود. زمانیکه استراتژی یادگیری پیشنهادی برای طبقه بندی کننده های انحصاری بکار گرفته می شود، نتایج موجود در پایگاه داده ی دی. دی. اس. ام. نشان دادند که کارایی از هر دو شبکه عصبی مصنوعی و ماشین بردار پشتیبان بطور قابل توجهی بهبود یافته است. گرچه شبکه عصبی مصنوعی بهتر از ماشین بردار پشتیبان عمل می کند زمانیکه یادگیری متوازن وجود ندارد، کارایی از دو طبقه بندی کننده قابل مقایسه می گردد زمانیکه هر دو یادگیری متوازن و تصمیم گیری بهینه سازی شده بکار گرفته می شوند. در نتیجه، میانگین بهبود بیش از 10% در اندازه گیری های امتیاز برای دو طبقه بندی کننده می باشند که بطور کامل تاثیربخشی روش پیشنهادی ما را برای طبقه بندی موفق ریزآهک سازی های خوشه بندی شده تایید کرده است.

تعداد صفحات مقاله انگلیسی: 10 صفحه
تعداد صفحات مقاله فارسی: 32 صفحه