Compressed Sensing for Thoracic MRI with Partial Random Circulant Matrices

Swastika, Windra; Haneishi, Hideaki

doi:10.12928/telkomnika.v10i1.74

Cited by 1 publication

(1 citation statement)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In this paper, to detect early sign of this disease and to aid doctors to diagnose breast cancer in early stage, we propose a novel approach for classification, called sparse representation based detection technology, inspired by the recent progress in l 1 -norm minimization-based methods [19,20] such as basis pursuit denoising, compressive sensing [21] for sparse signal reconstruction, and Lesso algorithm for feature selection.…”

Section: Introductionmentioning

confidence: 99%

Sparse Representation for Detection of Microcalcification Clusters

Zhang

Wang

2012

TELKOMNIKA

View full text Add to dashboard Cite

Makalah ini menyajikan sebuah pendekatan untuk mendeteksi MC di mammogram dengan memberikan masalah deteksi untuk menemukan representasi jarang dari sampel uji terhadap sampel pelatihan. Sampel pelatihan kebenaran MC di mammogram diasumsikan dikenal sebagai a priori. Dari sampel ini dari kelas objek yang diinginkan, kosakata bagian objek yang kaya informasi secara otomatis dibangun. Representasi jarang dihitung dengan pendekatan kuadrat terkecil l1-regularized dengan menggunakan metode titik dalam. Metode berdasarkan representasi jarang mengungkapkan setiap sampel pengujian sebagai kombinasi linear dari semua sampel dari pelatihan kosa kata. Vektor koefisien jarang diperoleh dengan kuadrat terkecil l1-regularized melalui pembelajaran. Deteksi MC dicapai dengan mendefinisikan fungsi diskriminan dari vektor koefisien jarang untuk setiap kategori. Untuk mengetahui kinerjanya, metode yang diusulkan diterapkan untuk set data DDSM dan dibandingkan dengan mesin vektor pendukung (SVM) dan mesin vektor dukungan kembar (TWSVM). Hasil percobaan menunjukkan bahwa kinerja metode yang diusulkan sebanding atau lebih baik dari metode-metode tersebut. Selain itu, metode yang diusulkan lebih efisien daripada metode berdasarkan SVM dan TWSVM karena tidak membutuhkan pemilihan model dan optimasi parameter.

show abstract

Section: Introductionmentioning

confidence: 99%