25
menggunakan
matrik
derajat
keabuan
co-occurance.
Rata-rata
dari
precision
dan
recall adalah 49% dan 18% dalam percobaan ini (Wei, Li, & Wilson, 2006).
Bovis
dan Singh
menyelidiki
pendekatan
terhadap
klasifikasi
gambar
mammografik
sesuai
dengan
jenis
payudara
berdasarkan
tekstur
dasar yang
terkandung
dalam
jaringan
payudara.
Mereka
menggunakan
analisis
Karakteristik
Operasi
Penerima
(ROC)
untuk
mengevaluasi
kinerja
dari
masalah.
Dataset
yang
digunakan
dalam
penelitian
ini adalah
Analisis
Masyarakat
Gambar
Mammografik
(MIAS)
database
MINIMIAS.
Studi
ini menunjukkan
sensitivitas
yang
tinggi
dalam pembenaran
klasifikasi
jenis payudara
dalam penggunaan
pengetahuan
ini
untuk
mendeteksi
lesi
pada
sistem
CAD
yang
diusulkan (Bovis
&
Singh, 2002).
Original
Image
Sub-
sampled
Breast/
Background
Segmentation
Feature
Extraction
Classification
Gambar 3. Komponen Dasar dari Sistem yang Diajukan (Bovis, 2002).
Brijesh
Verma
dan
John
Zakos
menguji
kombinasi
fitur
dan
kombinasi
fitur
yang
telah
ditentukan. Fitur
vektor pertama (sepuluh fitur):
rata-rata
histogram,
rata-rata
tingkat
keabuan,
jumlah
piksel,
rata-rata
batas keabuan,
perbedaan, kontras, energi, entropi, standar deviasi, dan kecondongan (skew).
Fitur
vektor
kedua
(14
fitur):
rata-rata
histogram,
rata-rata
tingkat
keabuan,
jumlah
piksel,
rata-rata
batas keabuan,
perbedaan,
kontras,
energi
yang
dimodifikasi,
entropi
yang
dimodifikasi,
standar
deviasi
yang dimodifikasi,
dan
kecondongan
yang
dimodifikasi.
Fitur
yang
paling
signifikan
atau
kombinasi
fitur
yang dipilih
berdasarkan
klasifikasi
jaringan
saraf.
Meskipun
algoritma
mendeteksi daerah mikrokalsifikasi
dengan tingkat deteksi 83,3% dan 77,8%,
 |