Multiresolution analysis has been u

Multiresolution analysis has been useful in so many applications from image compression to image de-noising and classification. Several methods using wavelet have been proposed for feature extraction in mammograms. Liu et al. proved that multiresolution analysis of mammograms improve the effectiveness of the diagnosis system based on wavelets coefficients. In their mammogram analysis study, they use a set of statistical features with binary tree classifier in their diagnosis system to detect the spiculated mass. The achieved successful rate was 84.2%. Mousa et al. proposed system based on wavelet analysis and used the Adaptive Neuro-Fuzzy Inference System (ANFIS) for building the classifier to distinguish between mass and microcalcification, the maximum classification rate obtained was 85.4%. Rashed et al. studied the multiresolution analysis
of digital mammogram using wavelet transform. They used
Euclidean distance to classify between micro-calcification
clusters, spiculated mass, circumscribed mass, ill-defined
mass and normal mammogram. The maximum classification
rate achieved was 87.06%. Ferreira and Borges [9] proposed
system to classify the mammogram images by transforming
the images into wavelet bases and then using a sets of
coefficients from first level of decomposition as the feature
vector toward separating micro-calcification clusters,
spiculated mass, circumscribed mass, and normal classes of
image. The maximum classification rate achieved was
94.85%.

ผลลัพธ์ (ไทย) 1:

Multiresolution วิเคราะห์ได้รับประโยชน์ในโปรแกรมประยุกต์มากจากการบีบอัดภาพ de-noising ภาพและการจัดประเภท ได้รับการเสนอหลายวิธีใช้ wavelet การสกัดคุณลักษณะใน mammograms Al. ร้อยเอ็ดเล่าพิสูจน์ว่า multiresolution วิเคราะห์ mammograms ปรับปรุงประสิทธิภาพของระบบวินิจฉัยตาม wavelets สัมประสิทธิ์ ในการศึกษาวิเคราะห์การเอ็กซเรย์เต้านม ใช้ชุดคุณลักษณะทางสถิติกับนารี classifier ในระบบการวินิจฉัยการตรวจพบ spiculated มวล อัตราการประสบความสำเร็จทำได้ถูก 84.2% Mousa et al. นำเสนอระบบที่ใช้วิเคราะห์ wavelet และใช้การปรับสมองพร่าเลือนข้อระบบ (ANFIS) สำหรับอาคารที่ classifier เพื่อแยกระหว่างมวลและ microcalcification, 85.4% มีอัตราสูงสุดประเภทที่ได้รับ โดยกอรี et al. ศึกษาวิเคราะห์ multiresolutionของเอ็กซเรย์เต้านมแบบดิจิทัลที่ใช้ wavelet แปลง พวกเขาใช้ยุคลิดในการแบ่งประเภทระหว่างไมโคร calcificationคลัสเตอร์ spiculated มวล circumscribed มวล ill-definedmammogram ปกติ และมวล การจัดประเภทสูงสุดอัตราที่รับ 87.06% นำเสนอ Ferreira และ Borges [9]ระบบการจัดประเภทภาพเอ็กซเรย์เต้านม โดยการเปลี่ยนรูปภาพในฐาน wavelet และใช้ชุดของสัมประสิทธิ์จากระดับแรกของการแยกส่วนประกอบที่เป็นคุณลักษณะเวกเตอร์ไปทางแยกคลัสเตอร์ไมโคร calcificationspiculated มวล circumscribed จำนวนมาก และปกติเรียนของรูปภาพของ อัตราสูงสุดประเภทที่ประสบความสำเร็จได้94.85%

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ multiresolution ได้รับประโยชน์ในการใช้งานจำนวนมากจากการบีบอัดภาพกับภาพ de-noising และการจำแนก โดยใช้วิธีการหลายวิธีเวฟได้รับการเสนอในการสกัดคุณลักษณะใน mammograms หลิว et al, ได้รับการพิสูจน์ว่าการวิเคราะห์ของ multiresolution mammograms ปรับปรุงประสิทธิภาพของระบบการวินิจฉัยขึ้นอยู่กับค่าสัมประสิทธิ์แสง ในการศึกษาวิเคราะห์การคัดกรองของพวกเขาพวกเขาใช้ชุดของคุณลักษณะทางสถิติกับลักษณนามต้นไม้ไบนารีในระบบการวินิจฉัยในการตรวจสอบมวล spiculated อัตราการประสบความสำเร็จที่ประสบความสำเร็จเป็น 84.2% มูซา, et al ระบบที่นำเสนอบนพื้นฐานของการวิเคราะห์เวฟและใช้ Adaptive ประสาทฝอยระบบการอนุมาน (ANFIS) สำหรับการสร้างลักษณนามที่จะแยกแยะระหว่างมวลและ microcalcification อัตราสูงสุดที่ได้รับการจัดหมวดหมู่เป็น 85.4% Rashed et al, ศึกษาวิเคราะห์ multiresolution
ของการคัดกรองดิจิตอลโดยใช้แปลงเวฟเล็ต พวกเขาใช้ระยะทางยุคลิดที่จะจัดระหว่างแคลเซียมไมโครกลุ่มมวลspiculated, circumscribed มวลป่วยกำหนดมวลและการคัดกรองปกติ การจำแนกประเภทสูงสุดอัตราการประสบความสำเร็จเป็น 87.06% Ferreira และ Borges [9] เสนอระบบการจำแนกภาพการคัดกรองโดยการเปลี่ยนภาพลงในฐานเวฟแล้วใช้ชุดของค่าสัมประสิทธิ์จากระดับแรกของการย่อยสลายเป็นคุณสมบัติเวกเตอร์ที่มีต่อการแยกกลุ่มกลายเป็นปูนไมโครมวลspiculated มวล circumscribed และ ชั้นเรียนปกติของภาพ อัตราการจัดหมวดหมู่ที่ประสบความสำเร็จสูงสุดเป็น94.85%

ผลลัพธ์ (ไทย) 3:

ผลการวิเคราะห์ที่ได้ใช้ประโยชน์ในการบีบอัดมากจากภาพ de-noising ภาพและการจำแนก หลายวิธีการใช้เวฟเล็ตได้ถูกเสนอให้คุณลักษณะการสกัดในเต้า . Liu et al . พิสูจน์ได้ว่าผลการวิเคราะห์ของเต้าปรับปรุงประสิทธิภาพของการวินิจฉัยระบบบนพื้นฐานของคลื่นที่ค่าสัมประสิทธิ์ ในแมมโมแกรมวิเคราะห์ศึกษาพวกเขาใช้ชุดคุณลักษณะทางสถิติกับต้นไม้ไบนารีแบบในระบบการวินิจฉัยการตรวจสอบมวล spiculated . ความสำเร็จในอัตรา 84.2 % มูซา et al . เสนอระบบที่ใช้ ในการวิเคราะห์เวฟเล็ตและใช้ระบบประสาทฟัซซี่แบบอนุมาน ( anfis ) สำหรับอาคาร การจำแนกแยกแยะระหว่างมวลและ microcalcification ,สูงสุดอัตราการจำแนกได้เป็น 85.4 % Rashed et al . ศึกษา
ผลการวิเคราะห์ของ Digital Mammogram โดยใช้การแปลงเวฟ . พวกเขาใช้

เพื่อจำแนกหินปูนระยะทางแบบยุคลิดระหว่างไมโครคลัส spiculated มวล พื้นที่ที่ จํากัด มวล ป่วยกำหนด
มวลและเอ็กซเรย์เต้านมปกติ สูงสุดได้มีการจำแนก
87.06 % Ferreira Borges เสนอ
[ 9 ] และระบบวิเคราะห์ภาพเอ็กซเรย์เต้านมโดยการเปลี่ยนภาพในกรณีฐาน

แล้วใช้ชุดของสัมประสิทธิ์จากระดับแรกของการสลายตัวเป็นคุณลักษณะ
เวกเตอร์ต่อแยกข้างไมโครคลัส
spiculated มวล พื้นที่ที่ จํากัด มวล และชั้นเรียนปกติของ
ภาพ การจำแนกสูงสุดได้ถูก
94.85 %