Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.creator | Passos, Leandro Aparecido [UNESP] | - |
Autor(es): dc.creator | Santos, Claudio | - |
Autor(es): dc.creator | Pereira, Clayton Reginaldo [UNESP] | - |
Autor(es): dc.creator | Afonso, Luis Claudio Sugi | - |
Autor(es): dc.creator | Papa, João P. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:32:56Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:32:56Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2019-01-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/978-3-030-32040-9_17 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/201220 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/201220 | - |
Descrição: dc.description | Breast cancer is one of the most frequent fatal diseases among women around the world. Early diagnosis is paramount for easing such statistics, increasing the probability of successful treatment and cure. This paper proposes a hybrid approach composed of a convolutional neural network with a supervised classifier on the top capable of predicting eight specific cases of the breast tumor, being four of them malignant and four benign. The model employs the BreastNet convolution neural network to the task of mammogram images feature extraction, and it compares three distinct supervised-learning algorithms for classification purposes: (i) Optimum-Path Forest, (ii) Support Vector Machines (SVM) with Radial Basis Function, and (iii) SVM with a linear kernel. Moreover, since BreastNet is also capable of performing classification tasks, its results are further compared against the other three techniques. Experimental results demonstrate the robustness of the model, achieving 86 % of accuracy over the public LAPIMO dataset. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | School of Sciences UNESP - São Paulo State University | - |
Descrição: dc.description | Department of Computing UFSCar - Federal University of São Carlos | - |
Descrição: dc.description | School of Sciences UNESP - São Paulo State University | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2014/12236-1 | - |
Descrição: dc.description | FAPESP: 2016/19403-6 | - |
Descrição: dc.description | CNPq: 307066/2017-7 | - |
Descrição: dc.description | CNPq: 427968/2018-6 | - |
Formato: dc.format | 159-168 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Lecture Notes in Computational Vision and Biomechanics | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Breast cancer | - |
Palavras-chave: dc.subject | Convolutional Neural Networks | - |
Palavras-chave: dc.subject | Optimum-path forest | - |
Título: dc.title | A Hybrid Approach for Breast Mass Categorization | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: