Wavelet packet energy, Tsallis entropy and statistical parameterization for support vector-based and neural-based classification of mammographic regions
Este trabajo desarrolla un vector de soporte y una clasificación basada en los nervios de las regiones mamográficas mediante la aplicación de parámetros estadísticos de energía de paquetes de ondas y entropía de Tsallis. De los primeros cuatro niveles de descomposición de paquetes de ondículas, se e...
- Autores:
-
Ramírez Moreno, David Fernando
Ramirez Villegas, Juan Felipe
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2012
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- eng
- OAI Identifier:
- oai:red.uao.edu.co:10614/11975
- Acceso en línea:
- http://red.uao.edu.co//handle/10614/11975
https://doi.org/10.1016/j.neucom.2011.08.015
- Palabra clave:
- Mammographic regions
Wavelet packet
Wavelet energy
Tsallis entropy
Correlation analysis
Logistic regression
Sequential forward selection
Support vector machine
Multi-layer perceptron
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Autónoma de Occidente
Summary: | Este trabajo desarrolla un vector de soporte y una clasificación basada en los nervios de las regiones mamográficas mediante la aplicación de parámetros estadísticos de energía de paquetes de ondas y entropía de Tsallis. De los primeros cuatro niveles de descomposición de paquetes de ondículas, se evaluaron cuatro conjuntos de características diferentes utilizando la prueba de Kolmogorov-Smirnov de dos muestras (prueba KS) y, en un caso, el análisis de componentes principales (PCA). La selección de características se realizó aplicando un esquema híbrido que integra una prueba KS no paramétrica, un análisis de correlación, un modelo de regresión logística (LR) y una selección directa secuencial (SFS). Las características principales seleccionadas (según el nivel de descomposición de ondículas seleccionado) produjeron los mejores rendimientos de clasificación en comparación con otros métodos de selección de características bien conocidos. La clasificación de los datos se llevó a cabo utilizando varios esquemas de máquina de vectores de soporte (SVM) y redes neuronales de perceptrón multicapa (MLP). El nuevo conjunto de características mejoró significativamente el rendimiento de clasificación de las regiones mamográficas utilizando SVM y MLP convencionales |
---|