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 Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Santos, Claudio | - |
Autor(es): dc.creator | Afonso, Luis | - |
Autor(es): dc.creator | Pereira, Clayton [UNESP] | - |
Autor(es): dc.creator | Papa, Joao [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:43:40Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:43:40Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-07-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/CBMS49503.2020.00094 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/205181 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/205181 | - |
Descrição: dc.description | Breast cancer is usually classified as either benign or malignant, where the former is not considered hazardous to health. Nonetheless, the benign tumors must be periodically monitored to control their activity and to prevent them from becoming malignant eventually. Several automated techniques have been proposed to aid the diagnosis by indicating potential tumor locations or by providing a broader insight. Although benign and malignant tumors are divided into four categories each, most of the works cope with their classification as just benign and malignant. This work addresses the problem of providing a more detailed classification of the tumors by proposing a deep-based architecture able to distinguish between eight types of tumors (i.e., four benign and four malignant). The proposed approach relies on the fusion of traditional convolution kernels with dilated convolutions before pooling, which can learn better spatial information, thus providing better feature detection prior to classification. Experimental results showed that the proposed approach outperformed the techniques compared in this work. | - |
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 | School of Sciences UNESP - São Paulo State University | - |
Formato: dc.format | 463-468 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - IEEE Symposium on Computer-Based Medical Systems | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Breast cancer | - |
Palavras-chave: dc.subject | Convolutional neural networks | - |
Palavras-chave: dc.subject | Deep learning | - |
Título: dc.title | BreastNet: Breast cancer categorization using convolutional neural networks | - |
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: