This paper approaches the algorithm of selection of variables named MIFS-U and presents an alternative method for estimating entropy and mutual information, "measures" that constitute the base of this selection algorithm. This method has, for foundation, the Cauchy-Schwartz quadratic mutual information and the Rényi quadratic entropy, combined, in the case of continuous variables, with Parzen Window density estimation. Experiments were accomplished with public domain data, being such method compared with the original MIFS-U algorithm, broadly used, that adopts the Shannon entropy definition and makes use, in the case of continuous variables, of the histogram density estimator. The results show small variations between the two methods, what suggest a future investigation using a classifier, such as Neural Networks, to qualitatively evaluate these results, in the light of the final objective which is greater accuracy of classification
ResumoEste estudo propõe uma metodologia, baseada em procedimentos quantitativos, para auxiliar o diagnóstico de indivíduos portadores de doença cardíaca. Os resultados obtidos neste estudo, utilizando "Redes Neurais", foram comparados aos resultados de outros autores. Um percentual de acerto médio de 91,0 % foi atingido, enquanto outros estudos utilizando a mesma base de dados atingem até 83,5 %. Foram utilizadas também outras técnicas de classificação de padrões conhecidas na literatura, denominadas "Análise Discriminante" e "Algoritmo C4.5", de forma a estabelecer comparações com os resultados aqui obtidos utilizando "Redes Neurais". A metodologia de divisão dos conjuntos de treinamento/generalização sugerida promoveu melhorias em todas as três técnicas de classificação de padrões utilizadas, tendo a Rede Neural apresentado o melhor desempenho.Palavras-chave: informação mútua; redes neurais; doença cardíaca. AbstractThis study proposes a methodology, established in quantitative procedures, to assist the diagnostic of individuals with heart disease. The results obtained in this study using "Neural Networks" had been compared with the results of other authors. A percentage of average correct diagnosis of 91.0 % was reached, whereas other studies using the same database had reached until 83.5 %. Others techniques of classification of standards known in literature had also been used, called "Discriminate Analysis" and "C4.5 Algorithm", to establish comparisons with the results obtained here using "Neural Networks". The methodology of division of the sets of training/generalization suggested promoted improvements in all the three used techniques of classification of standards, with the "Neural Networks" showing the best performance.
A identificação da exclusão financeira está muitas vezes sujeita a elevado grau de subjetividade. Entretanto, o critério de separação, entre excluídos e não excluídos, é uma questão pouco explorada. Frequentemente, o limite que separa as duas categorias tem caráter difuso e subjetivo. O presente trabalho tem como objetivo propor uma metodologia, baseada em Análise de Agrupamentos e Redes Neurais, para a delimitação em questão. Utiliza-se, para tanto, dados de uma pesquisa empírica realizada no município de Três Rios (Brasil). Espera-se que esta investigação possa contribuir para o delineamento e execução de políticas voltadas para a promoção da inclusão financeira e bancarização.
Mammography is the most important screening exam for early diagnosis of breast cancer. However, it still presents a lack of specificity, since a considerable number of suspicious lesions have to undergo surgical biopsy. Therefore, ultrasound (US) breast images have been used to improve diagnostics and decrease the number of unneeded biopsies for patients with palpable mass and inconclusive mammograms. Malignant breast tumors tend to present irregular and blurred contours while benign ones are usually round, smooth and well-defined. Accordingly, investigating the tumor contour may decisively help in establishing the diagnosis. On this basis, a non-linear method, Mutual Information (MI), and a linear one (Linear Discriminant Analysis -LDA) were implemented to rank morphological features in discriminating breast tumors in US images. Compared to LDA, the MI was able to identify the diagnostic contribution of Mshape feature. A feedforward neural network was implemented using as input seven morphological parameters to classify the breast US images. The best performance (88 %) was obtained with the five first parameters selected by MI.Keywords Mutual Information, parameters selection, ultrasound images, breast cancer, neural networks.Resumo -A mamografia tem sido apontada como a única técnica diagnóstica que comprovadamente contribui, através de um programa de acompanhamento periódico, para a detecção precoce e redução da mortalidade por câncer de mama. Porém, uma quantidade considerável de lesões suspeitas ainda tem sido encaminhadas para biópsia. Imagens de ultrasom (US) têm sido usadas para melhorar o diagnóstico e diminuir o número de biópsias desnecessárias em pacientes com massas palpáveis e mamografias inconclusivas. Tumores malignos de mama tendem a apresentar contornos irregulares e borrados, enquanto tumores benignos são normalmente redondos, lisos e bem-definidos. A investigação do contorno do tumor pode ajudar no diagnóstico. Neste artigo, um método linear e um não-linear foram utilizados para ordenar parâmetros morfométricos usados para quantificar o contorno e a forma de tumores de mama em imagens por US. Comparado com o método linear, o método não-linear pôde identificar a contribuição não-linear do parâmetro morfométrico Mshape em relação ao diagnóstico. Uma rede neural feedforward foi implementada, tendo como entrada sete parâmetros morfométricos para classificar as imagens. O melhor desempenho (88%) foi obtido com os primeiros cinco parâmetros selecionados pelo método não-linear.Palavras-chave -Informação Mútua, seleção de parâmetros, imagens de ultra-som, câncer de mama, redes neurais.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.