DEVELOPMENT OF THE CLASSIFICATION ALGORITHM AND EXPERIMENTAL VERIFICATION
DOI:
https://doi.org/10.5281/zenodo.17444016Keywords:
Classification, breast cancer, mammography, diagnostics, Tkinter , amulet, medical images.Abstract
This article describes the development of the “Disease detection algorithm via medical images” program, aimed
at early diagnosis of breast cancer using mammographic images. Breast cancer is one of the most common oncological
diseases among women, and early detection of tumors significantly affects patient survival rates. The paper proposes the
use of Python and libraries such as Tkinter , OpenCV, Pillow, and NumPy to create an effective diagnostic system. An
important part of the work is the description of the breast structure and the role of different tissue types in tumor diagnosis.
Additionally, image processing methods such as edge detection, filtering, and texture analysis are discussed, which are
applied to enhance diagnostic accuracy.
References
Бабаев М. В., Пилиди В. С., Чернухин Н. А. Метод детектирования объектов и выделения границ для
рентгенографических медицинских изображений // Вестник компьютерных и информационных технологий. —
— № 8. — С. 41-45.
Чернухин Н. А. Комбинированный метод детектирования границ на рентгенографических мед1щинских
изображениях, использующий методику активных контуров [Электронный ресурс] // Политематический сетевой
электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ).
- 2013. - № 04(088). - С. 530-544. Режим доступа. http.//ej.kubagro.ru/2013/04/pdf/36.pdf.
Пилиди В. е., Чернухин Н. А. Библиотека обработки изображений для платформы .NET // Современные
информационные технологии в об-разовании. Южный федеральный округ. Материалы конференции. — 2010.
— С. 255-256.
Чернухин Н. А. О выборе метрики для детектирования объектов на рентгенографических медицинских
изображениях // Труды аспирантов и соискателей Южного федерального университета. — 2012. — Т. XVII. — С.
-75.
Чернухин Н. А. Разработка методов обнаружения объектов и де-тектирования их границ для рентгенографических
медицинских изображений. // Информационные технологии, системный анализ и управление. Материалы
конференции - 2012. - Т. 3. - С. 193-196.
Чернухин И. А. Выделение границ объектов на рентгенограммах с использованием активных контуров и
сопоставления контуров // Совре-менные информационные технологии. тенденции и перспективы развития.
— 2013. — С. 340-341.
Chernuhin N. А. On an approach to object recognition in X-ray medical images and interactive diagnostics process //
Computer Science and Information Technologies. Conference proceedings. — 2013. — P. 185-188.
Чернухин H. A. 0 новом методе автоматического детектирования объектов п уточнения их границ на
рентгенографических медицинских цифровых изображениях // Актуальные проблемы биологии, ианотехнологий
и медицины. Материалы конференции. — 2013. — С. 250-251.
Chernuhin N. А. On an approach to object recognition in X-ray medical images and interactive diagnostics process
[Электронный ресурс] // IEEE Proceedings. Computer Science and Information Technologies (CSIT). — 2013. Режим
доступа. http.//ieeexplore.ieee.org/xpl/login.j sp?arnumber=6710351.
Бондаренко, А. Н. Нейросетевая классификация медицинских изображений на основе спектра размерностей
Ренье [Текст] / А. Н. Бонда-ренко, А. В. Кацук // Сборник научных трудов НГТУ, 2005. № 1. С. 1-4
Методы распознавания медицинских изображений для задач ком-пьютерной автоматизированной диагностики
[Электронный ресурс]. – Режим доступа. https.//www.scienceeducation.ru/ru/article/view?id=14414. – Дата доступа.
01.2020.
Wu, M., & Chen, L. (2015, November). Image recognition based on deep learning. In 2015 Chinese Automation
Congress (CAC) (pp. 542-546). IEEE.
Chauhan, R., Ghanshala, K. K., & Joshi, R. (2018). Convolutional Neural Network (CNN) for Image Detection and
Recognition. 2018 First International Conference on Secure Cyber Computing and Communication (ICSCCC).
doi:10.1109/icsccc.2018.8703316
Sharma, Priyanka, and Manavjeet Kaur. “Classification in pattern recognition: A review.” International Journal of
Advanced Research in Computer Science and Software Engineering 3.4 (2013).
Wang, P., Fan, E., & Wang, P. (2020). Comparative Analysis of Image Classification Algorithms Based on Traditional
Machine Learning and Deep Learning. Pattern Recognition Letters. doi:10.1016/j.patrec.2020.07.042ss.
