Curvelet transform is used as a mul

Curvelet transform is used as a multi-scale level decomposition to represent mammogram images. The calculated texture features are used as feature vector of the corresponding mammogram. Table III shows the successful classification rate of mammogram images with the overall classification accuracy based on 5-fold cross validation. The average rate for each fold is calculated then the average for 5-folds is calculated. It shows that, the successful classification rate of mammogram images for normal and abnormal using nearest neighbor classifier reached to 99.03% in fold 4, while the average classification rate achieved for all folds is 97.03%. For the second step, the classification rates of the abnormalities of 5-fold cross validation are listed in Table IV. The average rate for each fold is calculated then the
average for 5-folds is calculated is calculated. Table IV shows that, the average successful classification rate for both classes reaches to 95.10% in fold 4, while the average classification rate achieved for all folds is 91.68%. It can be concluded that the results show that the proposed method is able to find an appropriate feature set that lead to significant improvement in classification accuracy. We believe that the high successful classification rate achieved is a result of using curvelet transform. This supports the claim that curvelet transform provide stable, efficient and near-optimal representation of smooth objects having discontinuities along smooth curves.

ผลลัพธ์ (ไทย) 1:

ใช้ Curvelet แปลงเป็นแยกส่วนประกอบระดับหลายระดับถึงภาพเอ็กซเรย์เต้านม ใช้คุณลักษณะคำนวณเนื้อเป็นเวกเตอร์ลักษณะของเอ็กซเรย์เต้านมที่เกี่ยวข้อง ตาราง III แสดงอัตราประเภทสำเร็จรูปเอ็กซเรย์เต้านม ด้วยการรวมประเภทความถูกต้องตามตรวจสอบไขว้ 5-fold มีคำนวณอัตราเฉลี่ยสำหรับแต่ละพับ แล้วคำนวณค่าเฉลี่ยของ 5 พับ มันแสดงว่า อัตราประเภทสำเร็จรูปเอ็กซเรย์เต้านมปกติ และผิดปกติใช้ใกล้บ้าน classifier ถึง 99.03% ในพับ 4 ในขณะที่อัตราเฉลี่ยประเภทที่ได้รับสำหรับ พับทั้งหมด 97.03% สำหรับขั้นตอนสอง ราคาการจัดประเภทของความผิดปกติของการตรวจสอบข้าม 5-fold แสดงอยู่ในตาราง IV คำนวณอัตราเฉลี่ยสำหรับแต่ละพับนั้นค่าเฉลี่ยสำหรับคำนวณ 5 พับเสมอ ตาราง IV แสดงว่า อัตราประเภทที่ประสบความสำเร็จโดยเฉลี่ยสำหรับทั้งสองจนถึงคลา 95.10% ในพับ 4 ในขณะที่อัตราเฉลี่ยประเภทที่ได้รับสำหรับ พับทั้งหมด 91.68% จึงสามารถสรุปได้ว่า ผลที่แสดงว่าวิธีการนำเสนอสามารถค้นหาคุณลักษณะเหมาะสมตั้งเป้าหมายที่จะปรับปรุงอย่างมีนัยสำคัญในประเภทแม่นยำ เราเชื่อว่าอัตราประเภทที่ประสบความสำเร็จสูงได้รับผลของการใช้การแปลง curvelet นี้สนับสนุนการเรียกร้องที่ curvelet แปลงให้แสดงวัตถุเรียบมี discontinuities ตามเส้นโค้งราบรื่นมั่นคง มีประสิทธิภาพ และใกล้ดีที่สุด

ผลลัพธ์ (ไทย) 2:

Curvelet แปลงใช้เป็นหลายระดับการสลายตัวในระดับที่จะเป็นตัวแทนภาพการคัดกรอง คุณสมบัติเนื้อคำนวณจะถูกใช้เป็นเวกเตอร์คุณลักษณะของการคัดกรองที่สอดคล้องกัน ตารางที่สามแสดงให้เห็นถึงอัตราการจัดหมวดหมู่ของภาพที่ประสบความสำเร็จกับการคัดกรองความถูกต้องจำแนกโดยรวมขึ้นอยู่กับ 5 เท่าการตรวจสอบข้าม อัตราเฉลี่ยสำหรับแต่ละเท่าที่มีการคำนวณแล้วเฉลี่ยสำหรับ 5 เท่าที่มีการคำนวณ มันแสดงให้เห็นว่าอัตราการประสบความสำเร็จการจัดหมวดหมู่ของภาพสำหรับการคัดกรองปกติและผิดปกติโดยใช้ลักษณนามเพื่อนบ้านที่ใกล้ที่สุดถึง 99.03% ใน 4 เท่าขณะที่อัตราเฉลี่ยของการจัดหมวดหมู่สำหรับเท่าที่ทุกคนเป็น 97.03% สำหรับขั้นตอนที่สองอัตราการจัดหมวดหมู่ของความผิดปกติ 5 เท่าการตรวจสอบข้ามมีการระบุไว้ในตารางที่ IV อัตราเฉลี่ยสำหรับแต่ละเท่าที่มีการคำนวณแล้วเฉลี่ยสำหรับ 5 เท่าคำนวณคำนวณ
ตารางที่ IV แสดงให้เห็นว่าอัตราการจัดหมวดหมู่ที่ประสบความสำเร็จสำหรับการเรียนเฉลี่ยทั้งถึง 95.10% ใน 4 เท่าขณะที่อัตราเฉลี่ยของการจัดหมวดหมู่สำหรับเท่าที่ทุกคนเป็น 91.68% จึงสามารถสรุปได้ว่าผลที่ได้แสดงให้เห็นว่าวิธีการที่นำเสนอสามารถที่จะหาชุดคุณลักษณะที่เหมาะสมที่นำไปสู่การปรับปรุงที่สำคัญในการจำแนกความถูกต้อง เราเชื่อว่าอัตราการจัดหมวดหมู่ที่ประสบความสำเร็จสูงที่ประสบความสำเร็จเป็นผลมาจากการใช้ curvelet เปลี่ยน นี้สนับสนุนอ้างว่า curvelet เปลี่ยนให้มีเสถียรภาพที่มีประสิทธิภาพและการเป็นตัวแทนที่ดีที่สุดที่อยู่ใกล้วัตถุที่มีความราบรื่นต่อเนื่องตามเส้นโค้งเรียบ

ผลลัพธ์ (ไทย) 3:

ยู่ในแปลงใช้เป็นระดับหลายมาตราส่วนการเอ็กซเรย์เต้านม เพื่อแสดงภาพ ค่าคุณลักษณะ ( ใช้เป็นเวกเตอร์ลักษณะของราชการที่เกี่ยวข้อง ตารางที่ 3 แสดงที่ประสบความสำเร็จอัตราการจำแนกภาพโดยรวมสุดยอดความแม่นยำในการจำแนกตามผู้อื่นข้ามการตรวจสอบอัตราเฉลี่ยสำหรับแต่ละพับ มีการคำนวณแล้วเฉลี่ย 5-folds จะถูกคำนวณ มันแสดงให้เห็นว่า ความสำเร็จอัตราการจำแนกภาพเอ็กซเรย์เต้านมปกติและผิดปกติการใช้ลักษณนามเพื่อนบ้านที่ใกล้ที่สุดถึง 99.03 ในพับ 4 ขณะที่เฉลี่ยอัตราการจำแนกความทุกพับเป็น 97.03 % สำหรับขั้นตอนที่สองการจำแนกอัตราความผิดปกติของผู้อื่นข้ามการตรวจสอบมีการระบุไว้ในตารางที่ 4 อัตราเฉลี่ยสำหรับแต่ละพับ มีการคำนวณแล้ว
5-folds เฉลี่ยคำนวณจะถูกคำนวณ ตารางที่ 4 แสดงให้เห็นว่าโดยเฉลี่ยที่ประสบความสำเร็จอัตราการจำแนกทั้งชั้นเรียนถึง 95.10 ในพับ 4 ขณะที่เฉลี่ยอัตราการจำแนกความทุกพับเป็น 91.68 %สรุปได้ว่า ผลการวิจัยแสดงให้เห็นว่าวิธีนี้สามารถหาคุณลักษณะที่เหมาะสมที่นำไปสู่การปรับปรุงที่สำคัญในการจำแนกความ เราเชื่อว่าความสำเร็จสูงอัตราการจำแนกเป็นผลของการใช้ยู่ในแปลง . นี้สนับสนุนการเรียกร้องที่ยู่ในแปลงให้มีเสถียรภาพที่มีประสิทธิภาพและเป็นตัวแทนที่ดีที่สุดของวัตถุใกล้เรียบมีต่อเนื่องไปตามโค้งเรียบ