Evolutionary Algorithm-Based Classifier Parameter Tuning for Automatic Ovarian Cancer Tissue Characterization and Classification

Tipo di pubblicazione: Articolo su rivista
Tipologia MIUR: Contributo su Rivista > Articolo in rivista
Titolo: Evolutionary Algorithm-Based Classifier Parameter Tuning for Automatic Ovarian Cancer Tissue Characterization and Classification
Autori: Acharya Ur;Mookiah Mr;Vinitha Sree S;Yanti R;Martis Rj;Saba L;Molinari F;Guerriero S;Suri Js
Autori di ateneo:
Titolo del periodico: ULTRASCHALL IN DER MEDIZIN
Tipo di referee: Esperti anonimi
Editore: Thieme
Volume: 35
Numero: 3
Intervallo pagine: pp. 237-245
Numero di pagine: 9
ISSN: 0172-4614
Abstract: Purpose: Ovarian cancer is one of the most common gynecological cancers in women. It is difficult to accurately and objectively diagnose benign and malignant ovarian tumors using ultrasound and other tests. Hence, there is an imperative need to develop a computer-aided diagnostic (CAD) system for ovarian tumor classification in order to reduce patient anxiety and the cost of unnecessary biopsies. In this paper, we present an automatic CAD system for the detection of benign and malignant ovarian tumors using advanced image processing and data mining techniques. Materials and Methods: In the proposed system, Hu's invariant moments, Gabor transform parameters and entropies are first extracted from the acquired ultrasound images. Significant features are then used to train a probabilistic neural network (PNN) classifier for classifying the images into benign and malignant categories. The model parameter (σ) for which the PNN classifier performs the best is identified using a genetic algorithm (GA). Results: The proposed system was validated using 1300 benign images and 1300 malignant images, obtained from 10 patients with a benign disease and 10 with a malignant disease. We used 23 statistically significant (p < 0.0001) features. By evaluating the classifier using a ten-fold cross-validation technique, we were able to achieve an average classification accuracy of 99.8 %, sensitivity of 99.2 % and specificity of 99.6 % with a σ of 0.264. Conclusion: The proposed system is automated and hence is more objective, can be easily deployed in any computer, is fast and accurate and can act as an adjunct tool in helping physicians make a confident call about the nature of the ovarian tumor under evaluation
Data: 2014
Status: Pubblicato
Lingua della pubblicazione: Inglese
Parole chiave: cervix, 3-d ultrasound, neural networks
Dipartimenti (originale): DET - Dipartimento di Elettronica e Telecomunicazioni
Dipartimenti: DET - Dipartimento di Elettronica e Telecomunicazioni
URL correlate:
Area disciplinare: Area 09 - Ingegneria industriale e dell'informazione > BIOINGEGNERIA ELETTRONICA E INFORMATICA
Data di deposito: 05 Gen 2013 18:17
Data ultima modifica (IRIS): 21 Apr 2016 12:01:30
Data inserimento (PORTO): 23 Apr 2016 03:38
Numero Identificativo (DOI): 10.1055/s-0032-1330336
Permalink: http://porto.polito.it/id/eprint/2505515
Link resolver URL: Link resolver link
Citazioni:

Il campo presenta il numero di citazioni presenti sulle banche dati Scopus e Web of Science e permette di accedere ai relativi record. Visualizza inoltre il link al record presente su Google Scholar.

Possono verificarsi discrepanze rispetto ai dati presenti sulle banche dati per i seguenti motivi:

  • Differenze tra i dati riportati su IRIS e quelli presenti nelle banche dati.
  • Il numero di citazioni riportate su PORTO viene estratto mensilmente. Il dato citazionale presente sulle singole banche dati è aggiornato in tempo reale
  • Il numero di citazioni per WoS viene calcolato sulla base delle collezioni in abbonamento (Science citation index Expanded e Conference Proceedings Citation Index)

Per informazioni o segnalazioni contattare scrivia/porto

+
-

Allegati

[img] PDF (UiM_1054.pdf) - Postprint
Accesso al documento: Non visibile (accessibile solo al proprietario del dato)
Licenza: Non pubblico - Accesso privato / Ristretto.

Download (810Kb (830031 bytes)) | Spedisci una richiesta all'autore per una copia del documento

Azioni (richiesto il login)

Visualizza il documento (riservato amministratori) Visualizza il documento (riservato amministratori)