Cascaded classifiers and stacking methods for classification of pulmonary nodule characteristics

Kaya, Aydın

doi:10.1016/j.cmpb.2018.10.009

Cited by 30 publications

(20 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Most of the considered previous studies have used single classifiers and/or RF as a simple ensemble classifier. Some previous studies have illustrated that the stacked models can improve the classification performance for other applications and other datasets [19][20][21]. Therefore, in this study, a novel stacked ensemble is designed and proposed for improving the performance of IUI outcome prediction.…”

Section: Outcome Predictionmentioning

confidence: 99%

CNFE-SE: A novel hybrid approach combining complex network-based feature engineering and stacked ensemble to predict the success of Intrauterine Insemination and ranking the features

Ranjbari

Khatibi

Dizaj

et al. 2020

Preprint

View full text Add to dashboard Cite

Background: Intrauterine Insemination (IUI) outcome prediction is a challenging issue with which the assisted reproductive technology (ART) practitioners are dealing. Predicting the success or failure of IUI based on the couples' features can assist the physicians to make the appropriate decision for suggesting IUI to the couples or not and/or continuing the treatment or not for them. The large number of studies that have been focused on predicting the IVF and ICSI outcome by machine learning algorithms. But, to the best of our knowledge, a few studies have been focused on predicting the outcome of IUI. The main aim of this study is to develop an automatic classification and feature scoring method to predict intrauterine insemination (IUI) outcome and ranking of the most significant features, based on patients' cycle’s characteristics under IUI treatment.Methods: For this purpose, a novel hybrid approach combining complex network-based feature engineering and stacked ensemble (CNFE-SE) is proposed. Three complex networks are extracted considering the patients' data similarities. The feature engineering step is performed on the complex networks. The original feature set and/or the features engineered are fed to the proposed stacked ensemble to classify and predict IUI outcome for couples per IUI treatment cycle. Our study is a retrospective study of a 5-year couples' data undergoing IUI. Data is collected from Reproductive Biomedicine Research Center, Royan Institute for 8,360 couples who underwent 11,255 IUI cycles were included. Results: Experimental results show that the proposed method outperforms the compared methods with AUC of 0.84 ± 0.01, sensitivity of 0.79 ± 0.01, specificity of 0.91 ± 0.01, and accuracy of 0.85 ± 0.01 for the prediction of IUI outcome. Conclusions: The most important predictors for predicting IUI outcome are semen parameters (sperm motility and concentration) as well as female BMI.

show abstract

Section: Outcome Predictionmentioning

confidence: 99%

CNFE-SE: A novel hybrid approach combining complex network-based feature engineering and stacked ensemble to predict the success of Intrauterine Insemination and ranking the features

Ranjbari

Khatibi

Dizaj

et al. 2020

Preprint

View full text Add to dashboard Cite

show abstract

“…Diversos esquemas CAD para classificação de nódulos pulmonares malignos e benignos foram propostos pela literatura. Tradicionalmente, estes esquemas são compostos por métodos de segmentação de imagens de TC, extração de atributos quantitativos, seleção de características relevantes e classificadores de aprendizado de máquina (KAYA, 2018;GONG et al, 2018;OROOJI et al, 2018;CHOI et al, 2018;NISHIO;NAGASHIMA, 2017;ALILOU;OROOJI;MADABHUSHI, 2017;CARVALHO FILHO et al, 2017;FELIX et al, 2016;REEVES;XIE;JIRAPATNAKUL, 2016;DILGER et al, 2015;WU et al, 2013). Contudo, técnicas de aprendizado profundo (do Inglês deep learning) de máquina têm feito grandes avanços recentemente em problemas de reconhecimento de padrões (CHARTRAND et al, 2017;LITJENS et al, 2017;LECUN;BENGIO;HINTON, 2015).…”

Section: Estado Da Arteunclassified

“…As imagens utilizadas nesta etapa do trabalho foram de TC de tórax no padrão DICOM provenientes do repositório público LIDC (do Inglês Lung Image Database Consortium, Image Database Resource Initiative), pertencente ao The Cancer Imaging Archive do National Cancer Institute, National Institutes of Health dos Estados Unidos (ARMATO III et al, 2011). O LIDC é uma base de dados referência para a comunidade de pesquisa em engenharia e informática de imagens médicas, tendo sido utilizada em diversos trabalhos (KAYA, 2018;DHARA et al, 2017a;CAO et al, 2017;SILVA et al, 2017;NIBALI;HE;WOLLERSHEIM, 2017;LUCENA et al, 2016). Atualmente, ela é composta por 1.018 exames de TC com 244.527 imagens de 1.010 pacientes (ARMATO III et al, 2018).…”

Section: Conjunto E Segmentação De Imagensunclassified

“…Entretanto, ele depende da extração de atributos representativos das imagens para caracterizar os nódulos pulmonares, selecionar os atributos mais relevantes para melhor discriminar as lesões e classificar as imagens com algoritmos de aprendizado de máquina eficientes utilizando os atributos extraídos. Neste capítulo, foi proposto o reconhecimento de padrões em imagens de TC com atributos de textura de segunda-ordem, que são tradicionais e ainda relevantes para a literatura científica (KAYA, 2018;CHOI et al, 2018;DILGER et al, 2015), e nitidez de borda, que são importantes para o diagnóstico do câncer de pulmão e possuem menos dependência da marcação ground truth do nódulo pelo radiologista (FERREIRA JUNIOR; OLIVEIRA, 2015;XU et al, 2012;LEVMAN;MARTEL, 2011).…”

Section: Discussão E Considerações Específicasunclassified

“…O LIDC é um repositório de imagens médicas referência para a comunidade científica em engenharia e informática biomédica (KAYA, 2018;DHARA et al, 2017a;CAO et al, 2017;SILVA et al, 2017;NIBALI;HE;WOLLERSHEIM, 2017;LUCENA et al, 2016). Contudo, ele não está organizado em um banco de dados estruturado (Seção 3.2.1) (ARMATO III et al, 2018;ARMATO III et al, 2011).…”

Section: Apêndice a -Esquema De Banco De Dados Não-relacional Para O unclassified

See 2 more Smart Citations

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Ferreira¹,

Santos²,

Azevedo-Marques³

View full text Add to dashboard Cite

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão São Carlos 2019 1. Câncer de pulmão. 2. Radiômica. 3. Reconhecimento de padrões. 4. Classificação de imagens médicas. 5. Recuperação de imagens baseada em conteúdo. 6. Análise de imagens médicas. I. Título. Eduardo Graziosi Silva -CRB -8/8907 Aos meus pais, Raniery e Magal, pelo amor e pela educação que sempre me deram. À minha esposa, Priscilla, por sua "paxão" e compreensão em todos os momentos. AGRADECIMENTOS À toda a minha família, em especial, meus irmãos, Bruno e Lígia, meus sogros, Junior e Wirlene, e meus cunhados, Anderson e Deysi, pelo apoio dado durante todo o caminho de pós-graduação percorrido. Aos meus orientadores, Paulo, Marcel e Yoshida, pelas oportunidades dadas, pelos ensinamentos e, principalmente, pela paciência. Aos doutores Marcello, Tinós, Alexandre e Federico por todas as valiosas contribuições dadas durante meu período na USP. Aos amigos do LaTIM/UFAL, Marcelo, Lucas, Ailton e Tércio, pelas sugestões e discussões sempre produtivas para a pesquisa. Aos amigos do CCIFMpelos bons momentos de convivência e todo o suporte dado para o desenvolvimento do trabalho. Aos amigos do MGH, Yasuka, Toru e Janne, por todo o auxílio prestado durante meu estágio no exterior de doutorado sanduíche. Ao pessoal da Bioengenharia, Profa Ana Plepis, Marcia e Janete, pela ajuda nos processos burocráticos desde a seleção do doutorado até o depósito da tese. Aos amigos de SP que fiz ou reencontrei, Diógenes, Felipe, Amanda, Samara, Karina, Juninho, Inaê, Danilo e D. Miralda, pela amizade, incentivo e bons momentos compartilhados. Às instituições e programas CAPES (Código de Financiamento 001), USP, PAE, PDSE (processo nº 88881.134004/2016-01), AUCANI, PROAP e FAPESP (processo nº 2016/17078-0), pelas bolsas e apoios financeiros durante todo o curso e pesquisa. E a todos aqueles que me ajudaram direta ou indiretamente, torceram por mim e acreditaram no meu trabalho. "No meio da dificuldade encontra-se a oportunidade." Albert Einstein Palavras-chave: Câncer de pulmão. Radiômica. Reconhecimento de padrões. Classificação de imagens médicas. Recuperação de imagens baseada em conteúdo. Análise de imagens médicas. ABSTRACT FERREIRA JUNIOR, J.R. Framework for Classification, Content-Based Retrieval, and Radiomics of Medical Images: an investigation of quantitative biomarkers for lung cancer. 2019. 183p. Tese (Doutorado) -Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2019.Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representa...

show abstract

Lung Nodule Classification Based on SE-ResNet152 and Stratified Sampling

Li,

Gan,

Cao

et al. 2023

Communications in Computer and Information Science

View full text Add to dashboard Cite

Cascaded classifiers and stacking methods for classification of pulmonary nodule characteristics

Cited by 30 publications

References 33 publications

CNFE-SE: A novel hybrid approach combining complex network-based feature engineering and stacked ensemble to predict the success of Intrauterine Insemination and ranking the features

CNFE-SE: A novel hybrid approach combining complex network-based feature engineering and stacked ensemble to predict the success of Intrauterine Insemination and ranking the features

Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão

Lung Nodule Classification Based on SE-ResNet152 and Stratified Sampling

Contact Info

Product

Resources

About