2.8 Reta, et al. [19] proposed intr

2.8 Reta, et al. [19] proposed introduced a system that can categorize the two types of leukemia ALL and AML. Various features and attributes were used such as geometrical, statistical, texture, size ratio, and principle component analysis; however, feature selection was not used; which in turn affects the classification accuracy. Furthermore Farag A [20] discovered a method for ALL and AML differentiation, the
author depended on the biological feature related to the thickness of the cytoplasm as a feature that can be used for the classification. Some other researchers such as Scotti [21, 23] who has contributed significantly to this field, worked on both normal and leukemic cells. In 2004, Scotti worked on a differential blood count system where 23 features were extracted from the cells, most of the features are geometrical and only the mean gray-level intensity of the cytoplasm was used as a statistical feature. A forward selection method based on the nearest neighbor classifier was used as a feature selection method. The classification was done using various classifiers such as k-nearest neighbor (KNN) and feed forward neural network [24] (FFNN). The results showed that the parallel neural network obtained the lowest error rate. However, the KNN obtained better results than a conventional feed forward neural network (FFNN). In 2005 Scotti [18] repeated almost the same steps of his

ผลลัพธ์ (ไทย) 1:

2.8 Reta, et al. [19] เสนอแนะนำระบบที่สามารถจัดประเภทสองชนิดของมะเร็งเม็ดเลือดขาวทั้งหมด และภาษา ใช้ลักษณะการทำงานและคุณลักษณะต่าง ๆ เช่น geometrical สถิติ เนื้อ อัตราส่วนของขนาด และ วิเคราะห์ส่วนประกอบหลัก อย่างไรก็ตาม การเลือกคุณลักษณะใช้ ซึ่งจะมีผลต่อความถูกต้องของประเภท จาก A Farag [20] ค้นพบวิธีการทั้งหมดและสร้างความแตกต่างของภาษา การ
เขียนขึ้นอยู่กับลักษณะทางชีวภาพที่เกี่ยวข้องกับความหนาของไซโทพลาซึมที่เป็นคุณลักษณะที่สามารถใช้สำหรับการจัดประเภทการ นักวิจัยอื่น ๆ บางอย่างเช่น Scotti [21, 23] ที่มีส่วนอย่างมาก การทำงานในเซลล์ leukemic และปกติ ในปี 2004 Scotti ทำงานในระบบของเลือดแตกต่างที่คุณสมบัติ 23 ถูกสกัดจากเซลล์ ที่สุดของคุณลักษณะ เป็น geometrical และเฉพาะหมายถึงสีเทาระดับความรุนแรงของไซโทพลาซึมถูกใช้เป็นคุณลักษณะทางสถิติ มีใช้วิธีเลือกไปข้างหน้าตาม classifier เพื่อนบ้านที่ใกล้ที่สุดเป็นวิธีการเลือกคุณลักษณะ การจัดประเภททำได้โดยใช้คำนามภาษาต่าง ๆ เช่น k ใกล้บ้าน (KNN) และฟีดเครือข่ายประสาทไปข้างหน้า [24] (FFNN) ผลลัพธ์แสดงให้เห็นว่า เครือข่ายประสาทขนานรับอัตราข้อผิดพลาดต่ำ อย่างไรก็ตาม KNN ที่ได้ผลดีกว่าตัวปกติตัวดึงข้อมูลไปข้างหน้าโครงข่ายประสาท (FFNN) ในปี 2005 Scotti [18] ซ้ำเกือบตอนเดียวของเขา

ผลลัพธ์ (ไทย) 2:

2.8 Reta, et al [19] นำเสนอระบบที่สามารถจัดประเภทสองประเภทของโรคมะเร็งทั้งหมดและป้องกันการฟอกเงิน คุณสมบัติต่างๆและคุณลักษณะที่ถูกนำมาใช้เช่นเรขาคณิตสถิติเนื้ออัตราส่วนขนาดและการวิเคราะห์องค์ประกอบหลักการ; แต่การเลือกคุณลักษณะที่ไม่ได้ใช้ ซึ่งจะส่งผลกระทบต่อความถูกต้องจัดหมวดหมู่ นอกจาก Farag [20] การค้นพบวิธีการทั้งหมดและ AML ความแตกต่าง
ขึ้นอยู่กับผู้เขียนคุณสมบัติทางชีวภาพที่เกี่ยวข้องกับความหนาของพลาสซึมเป็นคุณลักษณะที่สามารถใช้สำหรับการจำแนกประเภท นักวิจัยบางคนอื่น ๆ เช่น Scotti [21, 23] ที่ได้มีส่วนร่วมอย่างมีนัยสำคัญด้านนี้ทำงานในเซลล์ปกติและมะเร็งเม็ดเลือด ในปี 2004 Scotti ทำงานในความแตกต่างของระบบนับเลือดที่ 23 คุณสมบัติที่ถูกสกัดออกมาจากเซลล์ส่วนใหญ่ของคุณสมบัติที่ทางเรขาคณิตและความเข้มของสีเทาระดับเฉลี่ยของพลาสซึมถูกนำมาใช้เป็นคุณสมบัติทางสถิติ วิธีการเลือกไปข้างหน้าขึ้นอยู่กับการจําแนกเพื่อนบ้านที่ใกล้ที่สุดที่ใช้เป็นวิธีการเลือกคุณลักษณะ การจัดหมวดหมู่ที่ได้รับการดำเนินการโดยใช้แยกแยะต่างๆเช่นเพื่อนบ้านที่ใกล้ที่สุด K-(KNN) และอาหารไปข้างหน้าเครือข่ายประสาท [24] (FFNN) ผลการศึกษาพบว่าเครือข่ายประสาทขนานได้รับอัตราความผิดพลาดต่ำสุด แต่ KNN ที่ได้รับผลลัพธ์ที่ดีกว่าอาหารเครือข่ายแบบเดิมไปข้างหน้าของระบบประสาท (FFNN) ในปี 2005 Scotti [18] เกือบซ้ำขั้นตอนเดียวกันของเขา

ผลลัพธ์ (ไทย) 3:

2.8 เรต้า , et al . [ 19 ] ขอแนะนำระบบที่สามารถแยกแยะสองชนิดของมะเร็งเม็ดเลือดขาวและ AML . คุณสมบัติต่างๆและคุณลักษณะที่ใช้เช่นเรขาคณิต , สถิติ , เนื้อ , ขนาดสัดส่วน และหลักการของการวิเคราะห์องค์ประกอบ แต่การเลือกคุณลักษณะไม่ที่ใช้ ซึ่งจะส่งผลต่อความแม่นยำในการจำแนก .นอกจากนี้ ฟาราด [ 20 ] ค้นพบวิธีการทั้งหมดและ AML การหาอนุพันธ์
เขียนขึ้นอยู่กับคุณสมบัติทางชีวภาพที่เกี่ยวข้องกับความหนาของไซโตพลาสซึมเป็นคุณลักษณะที่สามารถใช้ในการจำแนก นักวิจัยบางอื่น ๆเช่น สกอตตี [ 21 , 23 ] ใครมีส่วนอย่างมากในด้านนี้ทำงานบนทั้งปกติและทำให้เซลล์ ในปี 2004 ,สก็อตตี้ ทำงานบนระบบที่แตกต่างกันเลือดนับ 23 คุณสมบัติสกัดจากเซลล์ส่วนใหญ่ของลักษณะทางเรขาคณิตและเพียงค่าเฉลี่ยระดับความเข้มของสีเทา ขนาดถูกใช้เป็นคุณลักษณะทางสถิติ สนับสนุนการเลือกวิธีตามแบบเพื่อนบ้านใกล้ที่สุดถูกใช้เป็นคุณลักษณะการเลือกวิธีการการจัดหมวดหมู่โดยใช้คำต่างๆ เช่น การเพื่อนบ้านใกล้ที่สุด ( knn ) และป้อนไปข้างหน้าโครงข่ายประสาทเทียม [ 24 ] ( ffnn ) ผลการศึกษาพบว่า โครงข่ายประสาทเทียมแบบขนานได้รับอัตราความผิดพลาดน้อยที่สุด อย่างไรก็ตาม ได้ผลลัพธ์ที่ดีกว่า knn ข้อมูลแบบไปข้างหน้าโครงข่ายประสาทเทียม ( ffnn ) ในปี 2005 สก็อตตี้ [ 18 ] ซ้ำเกือบเดียวกันขั้นตอนของเขา