Please use this identifier to cite or link to this item: https://elib.psu.by/handle/123456789/24915
Title: Исследование методов классификации для анализа сегментированных объектов на люминесцентных изображениях раковых клеток
Authors: Лисица, Е. В.
Яцков, Н. Н.
Скакун, В. В.
Апанасович, В. В.
Lisitsa, Y.
Yatskou, M.
Skakun, V.
Apanasovich, V.
Other Titles: Classification Methods for the Analysis of Segmented Objects on Fluorescent Images of Cancer Cells
Issue Date: 2020
Publisher: Полоцкий государственный университет
Citation: Лисица, Е. В. Исследование методов классификации для анализа сегментированных объектов на люминесцентных изображениях раковых клеток / Е. В. Лисица, Н. Н. Яцков, В. В. Скакун, В. В. Апанасович // Вестник Полоцкого государственного университета. Серия C, Фундаментальные науки. - 2020. - № 4. - С. 15-22.
Abstract: Исследованы методы классификации для анализа многоканальных изображений раковых клеток опухоли молочной железы. Каждый объект описывался 13 признаками, из которых 11 признаков описывали форму, 2 признака – цвет. Для тестирования использовался метод перекрестной проверки с контролем по отдельному объекту. Рассмотрены следующие методы: линейного и квадратичного дискриминантного анализа, наивный байесовский классификатор, многослойный персептрон, случайного леса, опорных векторов. Наилучшие результаты классификации получены для метода случайного леса, который показал точность классификации 0,97 при использовании всех признаков. Точность классификации этим методом на основе только признаков цвета – 0,96, а при классификации на основе только признаков формы – 0,92. Следующим по точности классификации является метод линейного дискриминантного анализа, обеспечивающий точность классификации 0,97 по всем признакам, 0,96 – по признакам цвета и 0,90 – по признакам формы. Наихудшие результаты получены для многослойного персептрона.= The methods of classification to analyze the multi-сhannel fluorescent images of breast cancer were studied. Each object is described by 13 features, where 11 features are geometry characteristics and 2 features corresponds to color characteristics. The methods were studied onb the standardized and not-standardized data. The cross validation was used. The considered methods are linear and quadratic discriminant analysis, Naive Bayes, Support Vector Machines, Decision Trees, Random Forest, Neural network models. The most sufficient result were received for the Random Forest methods, where the accuracy of the classification is 0,97, when all features are used. If only color features are exploited, the accuracy is 0,96, and finally it is 0,92 for form features. The same results received the linear discriminant analysis, where the accuracy based on all features is 0,97, the accuracy received by color features is 0,96. Which is the same as for random forest classification. However for form features it is only 0,90. The most unsufficient results are obtained for Multi-layer Perceptron.
Keywords: Информационные технологии
Машинное обучение
Методы классификации
Перекрестная проверка
Дискриминантный анализ
Байесовский классификатор
Нейронные сети
Machine learning
Classification methods
Cross-validation
Discriminant analysis,
Neural networks
Bayesian classifier
URI: https://elib.psu.by/handle/123456789/24915
metadata.dc.rights: open access
Appears in Collections:2020, № 4

Files in This Item:
File Description SizeFormat 
15-22.pdf493.8 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.