Comparative evaluation of support vector machines and probabilistic neural networks in superficial bladder cancer classification

 
Το τεκμήριο παρέχεται από τον φορέα :
ΤΕΙ Αθήνας
Αποθετήριο :
Υπατία - Ιδρυματικό Αποθετήριο
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο



Comparative evaluation of support vector machines and probabilistic neural networks in superficial bladder cancer classification (EN)

Σπυρίδωνος, Παναγιώτα Π. (EL)
Πεταλάς, Π. (EL)
Γκλώτσος, Δημήτριος (EL)
Κάβουρας, Διονύσης Α. (EL)
Ραβαζούλα, Παναγιώτα (EL)

Τ.Ε.Ι. Αθήνας. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε. (EL)
Νικηφορίδης, Γεώργιος Χ. (EL)

Purpose: In this paper we address the demanding diagnostic problem of classifying tumors according to the degree of their malignancy by investigating the efficiency of Support Vector Machines (SVMs) and Probabilistic neural networks (PNN). Material and methods: 129 cases of urinary bladder carcinomas were diagnosed as high or low-risk according to the WHO grading system. Each case was represented by 36 automatically extracted nuclear features. Two different classification designs based on SVMs and PNNs were tested according to their ability in differentiating superficial urinary bladder carcinomas according to the degree of malignancy. Best feature combination for each classification scheme was obtained performing an exhaustive search in feature space and employing the leave-one-out method. Results: Both classification models (SVM and PNN) resulted in a relatively high overall accuracy of 85.3% and 83.7% respectively. Descriptors of nuclear size and chromatin cluster patterns were participated in both best feature vectors that optimized classification performance of the two classifiers. Conclusion: The good performance and consistency of the SVM and PNN models render these techniques viable alternatives in the diagnostic process of assigning urinary bladder tumors grade. (EN)

journalArticle

Image analysis (EN)
Probabilistic neural networks (EN)
Ανάλυση εικόνας (EN)
Πιθανολογικά νευρωνικά δίκτυα (EN)

ΤΕΙ Αθήνας (EL)
Technological Educational Institute of Athens (EN)

Journal of Computational Methods in Sciences and Engineering (EN)

Αγγλική γλώσσα

2006


IOS Press (EN)



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.