This paper investigates a pattern r

This paper investigates a pattern recognition framework in order to determine and classify breast cancer
cases. Initially,atwo-classse paration study classifying normal and abnormal(cancerous)breast tissues
is achieved.The Histogram of Oriented Gradients(HOG),Dense Scale Invariant Feature Transform
(DSIFT), and Local Configuration Pattern(LCP)methods are used to extract the rotation-andscale-
invariant features for all tissue patches.A classification is made utilizing Support Vector Machine(SVM),
k-Nearest Neighborhood(k-NN),Decision Tree,and Fisher Linear Discriminant Analysis(FLDA) via
10-fold cross validation.Then,athree-classstudy (normal,benign,and malignant cancerouscases)is
carried out using similar procedures in a two-classcase;however,the attained classification accuracies
are not sufficiently satisfied. Therefore,a new feature extraction framework is proposed.The feature
vectors are again extracted with this new framework,and more satisfactory results are obtained.
Our new framework achieved a remarkable increase in recognition performance for the three-
class study.

ผลลัพธ์ (ไทย) 1:

กรอบการรับรู้รูปแบบการกำหนด และจัดประเภทมะเร็งเต้านมการตรวจสอบเอกสารนี้
กรณี เริ่มต้น paration atwo-classse ศึกษาเนื้อเยื่อของเต้านม (มะเร็ง) ที่ปกติ และผิดปกติจัดประเภท
ทำใช้วิธีฮิสโตแกรมของเน้นไล่ระดับสี (หมู), ความหนาแน่นสูงขนาดบล็อกคุณลักษณะ Transform
(DSIFT) และภายในกำหนดรูปแบบ (LCP) เพื่อแยกการหมุน - andscale-
คุณลักษณะการบล็อกสำหรับปรับปรุงเนื้อเยื่อทั้งหมดประเภทถูกใช้สนับสนุนเวกเตอร์เครื่อง (SVM),
k-Neighborhood(k-NN) ใกล้ที่สุด ต้นไม้การตัดสินใจ และ Fisher เชิง Discriminant Analysis(FLDA) ผ่าน
10-พับไขว้ตรวจสอบแล้ว athree-classstudy (cancerouscases ปกติ อ่อนโยน และภูต) คือ
ดำเนินใช้คล้ายขั้นตอน 2-classcase อย่างไรก็ตาม accuracies จัดประเภทได้
จะไม่พอใจ ดังนั้น กรอบแยกคุณลักษณะใหม่จะนำเสนอคุณลักษณะ
เวกเตอร์ที่สกัด ด้วยกรอบนี้ใหม่อีกครั้ง และผลลัพธ์ที่น่าพอใจกว่าจะได้รับการ
กรอบใหม่ของเราประสบความสำเร็จเพิ่มขึ้นโดดเด่นในการปฏิบัติ 3-
เรียนศึกษา

ผลลัพธ์ (ไทย) 2:

กระดาษนี้ศึกษากรอบการจดจำรูปแบบในการที่จะตรวจสอบและแยกประเภทมะเร็งเต้านม
กรณี ในขั้นต้น ATWO-classse ศึกษา paration แบ่ง (มะเร็ง) เนื้อเยื่อเต้านมปกติและผิดปกติ
เป็นบรรลุ Histogram ของเชิงการไล่ระดับสี (HOG) สเกลหนาแน่นคงคุณสมบัติ Transform
(DSIFT) และรูปแบบการกำหนดค่าท้องถิ่น (LCP) วิธีการที่ใช้ในการดึง หมุน andscale-
คุณสมบัติคงที่สำหรับทุกการจัดหมวดหมู่ patches.A เนื้อเยื่อจะทำใช้สนับสนุนเวกเตอร์แมชชีน (SVM),
k-พื้นที่ใกล้เคียงที่ใกล้ที่สุด (k-NN), ต้นไม้การตัดสินใจและฟิชเชอร์เชิงเส้นการวิเคราะห์จำแนก (Flda) ผ่าน
การตรวจสอบข้าม 10 เท่า จากนั้น, athree-classstudy (ปกติ, ใจดีและ cancerouscases ร้าย) จะ
ดำเนินการโดยใช้วิธีการที่คล้ายกันในสอง classcase; แต่ความถูกต้องจำแนกบรรลุ
ไม่พอใจพอสมควร ดังนั้นกรอบการสกัดคุณลักษณะใหม่เป็นคุณลักษณะ proposed.The
เวกเตอร์ที่สกัดอีกครั้งกับกรอบการทำงานใหม่นี้และผลลัพธ์ที่น่าพอใจมากขึ้นจะได้รับ
กรอบการทำงานใหม่ของเราประสบความสำเร็จเพิ่มขึ้นโดดเด่นในการดำเนินงานได้รับการยอมรับสำหรับสาม
การศึกษาชั้น

ผลลัพธ์ (ไทย) 3:

งานวิจัยนี้เป็นการศึกษาวิจัยรูปแบบกรอบในการตรวจสอบและแยกประเภทผู้ป่วยโรคมะเร็ง
เต้านม ตอนแรก atwo classse paration ศึกษาข้อมูลปกติและผิดปกติ ( มะเร็ง ) เนื้อเยื่อเต้านม
สำเร็จ ฮิสโตแกรมของเชิงไล่ ( หมู ) , ระดับความหนาแน่นคุณสมบัติแปลง
( dsift ) , และรูปแบบการตั้งค่าท้องถิ่น ( LCP ) ใช้วิธีสกัดการหมุน andscale -
คุณสมบัติของค่าคงที่สำหรับแพทช์เนื้อเยื่อทั้งหมด การทำโดยใช้เครื่องเวกเตอร์สนับสนุน ( SVM )
ละแถว ( k-nn ) การตัดสินใจแบบต้นไม้ และปลาเส้นจำแนกการวิเคราะห์ ( flda ) ผ่าน
10 โฟลด แล้ว athree classstudy ( ปกติ เนื้องอก และมะเร็ง cancerouscases )
โดยใช้ขั้นตอนเหมือนกันใน 2 classcase ; อย่างไรก็ตาม , บรรลุความถูกต้อง
การจำแนกไม่พอใจพอสมควร ดังนั้น กรอบการสกัดคุณลักษณะใหม่ที่เสนอคุณลักษณะ
เวกเตอร์เป็นอีกครั้งที่สกัดด้วยกรอบใหม่นี้ และผลลัพธ์ที่น่าพอใจมากขึ้นจะได้รับ .
ของเราใหม่กรอบความน่าทึ่งในการแสดงเพื่อเพิ่มการรับรู้สาม -
เรียนศึกษา