Automatic prediction of tumour malignancy in breast cancer with fractal dimension.
Automatic prediction of tumour malignancy in breast cancer with fractal dimension.
复制标题
DOI：
10.1098/rsos.160558
复制
发表时间：
2016-12
影响因子：
3.5
通讯作者：
Tuszynski JA
中科院分区：
文献类型：
--
作者：
Chan A;Tuszynski JA
乳腺癌是当今女性中最常见的癌症之一。诊断的主要途径是通过人工检查组织病理学组织切片。这样的过程往往是主观的和充满错误的，受到观察者之间和内部的差异的影响。我们的目标是开发一种自动算法来分析组织病理学切片，而不受人类主观性的影响。在这里，我们计算了许多乳腺癌幻灯片图像的分形维数，放大倍数为40倍，100倍，200倍和400倍。利用机器学习，即支持向量机（SVM）方法，发现40×载玻片的分类准确率F1得分为0.979。在40×载玻片上进行多类分类，准确率为0.556。减少SVM训练集的大小和范围，平均F1得分为0.964。综上所述，这些结果显示了使用分形维数来预测肿瘤恶性的巨大希望。
Breast cancer is one of the most prevalent types of cancer today in women. The main avenue of diagnosis is through manual examination of histopathology tissue slides. Such a process is often subjective and error-ridden, suffering from both inter- and intraobserver variability. Our objective is to develop an automatic algorithm for analysing histopathology slides free of human subjectivity. Here, we calculate the fractal dimension of images of numerous breast cancer slides, at magnifications of 40×, 100×, 200× and 400×. Using machine learning, specifically, the support vector machine (SVM) method, the F1 score for classification accuracy of the 40× slides was found to be 0.979. Multiclass classification on the 40× slides yielded an accuracy of 0.556. A reduction of the size and scope of the SVM training set gave an average F1 score of 0.964. Taken together, these results show great promise in the use of fractal dimension to predict tumour malignancy.
登录
查看更多内容
影响因子：
3.5
作者：
CALDWELL, CB;STAPLETON, SJ;YAFFE, MJ
通讯作者：
YAFFE, MJ
上皮结构的形态复杂性用于预测侵入性乳腺癌存活。
影响因子：
7.4
作者：
Tambasco M;Eliasziw M;Magliocco AM
通讯作者：
Magliocco AM
影响因子：
8.8
作者：
BLOOM, H J;RICHARDSON, W W
通讯作者：
RICHARDSON, W W
影响因子：
3.5
作者：
Byng, JW;Boyd, NF;Yaffe, MJ
通讯作者：
Yaffe, MJ
影响因子：
3.3
作者：
ROBBINS, P;PINDER, S;ELSTON, C
通讯作者：
ELSTON, C