A comparison of classifiers applied to the problem of biopsy images analysis

Скорочена інформація про документ
dc.contributor.authorHlavcheva, Dariaen
dc.contributor.authorYaloveha, Vladyslaven
dc.contributor.authorPodorozhniak, Andriien
dc.contributor.authorLukova-Chuiko, Nataliiaen
dc.date.accessioned2021-04-01T07:27:10Z
dc.date.available2021-04-01T07:27:10Z
dc.date.issued2020
dc.description.abstractThe purpose of the research is to compare classification algorithms for the histopathological images analyzing issue and to optimize the parameters for obtaining better classification accuracy. The following tasks are solved in the article: preprocessing of BreCaHAD dataset images, implementation and training of CNN, applying K-nearest neighbours, SVM, Random Forest,XGBoost, and perceptron algorithms for classifying features that were extracted by CNN, and results comparison. The object of the research is the process of classifying tumor cells in the microscopic biopsy images. The subject of the research is the processof using ML algorithms for classification of the features extracted by CNN from input biopsy image. The scientific novelty of the research is a comparative analysis of classifiers on the task of “tumor” and “healthy” cells images classification from processed BreCaHAD dataset. As a result it was obtained that from chosen classifiers SVM reached the highest accuracy on test data –0.972. This is the only algorithm that shows better accuracy than perceptron. Perceptron gets 0.966 classification accuracy. K-nearest neighbours, Random Forest, and XGBoost algorithms reached lower results. The algorithms' hyperparameters optimization was carried out. The results have been compared with related works. The following research methodsare used: the theory of deep learning, mathematical statistics, parameters optimization.en
dc.description.abstractМета дослідження - порівняння алгоритмів класифікації для аналізу гістопатологічних зображень і оптимізація гіперпараметрів алгоритмів класифікації для збільшення результуючої точності. У статті вирішуються наступні завдання: попередньо обробленого набору даних BreCaHAD, реалізація та навчання CNN, застосування алгоритмів K-найближчих сусідів, SVM,Random Forest, XGBoost і персептрона для класифікації ознак, отриманих CNN, і порівняння результатів. Об'єктом дослідженняє процес класифікації пухлинних клітин на знімках мікроскопічної біопсії. Предметом дослідження є процес використання алгоритмів машинного навчання для класифікації ознак, отриманих CNN з вхідного зображення біопсії. Наукова новизна дослідження - порівняльний аналіз класифікаторів на завданні класифікації зображень «пухлинних» і «здорових» клітин з предобработанного набору даних BreCaHAD. В результаті було отримано, що з обраних класифікаторів SVM має найбільшу точність на тестовій вибірці - 0,972. Це єдиний алгоритм, який отримав більшу точність, ніж персептрон. Точність класифікації персептрона на тестовій вибірці склала 0,966. K-найближчі сусіди, алгоритми Random Forest і XGBoost в результаті експериментів показали меншу точність. Проведена оптимізація гіперпараметрів алгоритмів. Результати були зіставлені з подібними роботами. Були використані такі методи дослідження: теорія глибокого навчання, математична статистика, оптимізація параметрів.uk
dc.identifier.citationA comparison of classifiers applied to the problem of biopsy images analysis / D. Hlavcheva [at al.] // Сучасні інформаційні системи = Advanced Information Systems. – 2020. – Т. 4, № 2. – С. 12-16.en
dc.identifier.doidoi.org/10.20998/2522-9052.2020.2.03
dc.identifier.orcidhttps://orcid.org/0000-0001-6990-6845
dc.identifier.orcidhttps://orcid.org/0000-0001-7109-9405
dc.identifier.orcidhttps://orcid.org/0000-0002-6688-8407
dc.identifier.orcidhttps://orcid.org/0000-0003-3224-4061
dc.identifier.urihttps://repository.kpi.kharkov.ua/handle/KhPI-Press/51900
dc.language.isoen
dc.publisherНаціональний технічний університет "Харківський політехнічний інститут"uk
dc.subjectmachine learningen
dc.subjectdeep learningen
dc.subjectconvolutional neural networken
dc.subjectgrid searchen
dc.subjectмашинне навчанняuk
dc.subjectглибоке навчанняuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectпошук по сітціuk
dc.titleA comparison of classifiers applied to the problem of biopsy images analysisen
dc.title.alternativeПорівняння класифікаторів, у застосуванні до проблеми аналізу знімків біопсіїuk
dc.typeArticleen

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
AIS_2020_4_2_Hlavcheva_A_comparison.pdf
Розмір:
344.64 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
11.25 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Кафедра "Комп'ютерна інженерія та програмування"