24
dicocokkan
dengan
setiap
wilayah
lain
dalam
bentuknya.
Kesamaan
bentuk
diukur dengan matrik procustes (Xu, Lee, Antani, & Long, 2004).
El-Naqa,
dkk
mengusulkan
pendekatan
umpan
balik
relevansi,
didasarkan
pada pembelajaran
tambahan,
untuk
pengambilan
mammogram.
Mereka
diadaptasi
mesin pendukung
vektor
(SVM)
untuk
mengembangkan
prosedur
pembelajaran
online
untuk
pembelajaran
kesamaan.
Pendekatan
yang mereka
usulkan
diimplementasikan
pada
gambar
mikrokalsifikasi
yang
terklaster.
Mereka
melaporkan
bahwa
pendekatan
ini secara
signifikan
meningkatkan
efektivitas
pengambilan
(El-Naga, 2002).
Felipe,
dkk
mengekstrak
fitur tekstur
gambar
medis
dari matrik
derajat
keabuan
co-occurance
(gray level
co-occurrence
matrices).
Hasilnya
menunjukkan
bahwa deskriptor
menggabungkan
gradien,
entropi,
dan
homogenitas
lebih baik daripada
deskriptor
lain dengan fitur tunggal. Dari
matriks
co-occurance,
sembilan
deskriptor
tekstur
Haralick
(entropi,
energi,
kontras,
jumlah
rata-rata,
varian, korelasi,
kemungkinan
maksimum,
momen
perbedaan
terbalik
(Inverse Difference Moment),
dan kecenderungan
klaster/
cluster
tendency) dihitung (Felipe, Traina, & Traina, 2003).
Chia-Hung
Wei,
dkk
menggunakan
metodologi
yang
terbagi
menjadi
dua
bagian citra analisis dan pengambilan
gambar. Pada bagian analisis citra, 19
daerah
ROI
abnormal
dan
20
ROI
normal
dipilih
sebagai
contoh
untuk
dataset
ROI keseluruhan. Kedua kelompok ROI ini
digunakan untuk menganalisis 11
fitur tekstur
berdasarkan
matriks
derajat
keabuan
co-occurance.
Sebuah
presisi
maksimum
51%
dan
penarikan
kembali
(recall)
19%
diperoleh
dengan
 |