Główne pojęcia
다양한 색상 공간 특징 융합과 양자-고전 스택 앙상블 방법을 활용하여 유방암 조직병리 이미지 분류 정확도를 향상시킬 수 있다.
Streszczenie
이 연구는 유방암 분류의 정확도와 신뢰성을 높이기 위해 색상 공간 앙상블과 양자-고전 스택 앙상블 기법을 제안한다.
RGB, HSV, CIE Luv 색상 공간의 특징을 융합하여 유방암 분류 모델의 성능을 향상시켰다.
고전 기계 학습 모델(SVM, Random Forest)과 양자 기계 학습 모델(QSVC, VQC)을 스택 앙상블하여 개별 모델의 한계를 보완하고 분류 정확도를 높였다.
색상 공간 융합 기법과 양자-고전 스택 앙상블을 통해 유방암 분류 정확도가 향상되었으며, 특히 Random Forest 모델에서 완벽한 분류 성능(정확도 1.0)을 달성했다.
이러한 접근법은 유방암 진단의 정확성과 효율성을 높이는 데 기여할 것으로 기대된다.
Statystyki
유방암 조직병리 이미지에서 RGB, HSV, CIE Luv 색상 공간을 활용하면 분류 정확도가 향상된다.
Random Forest 모델은 단일 색상 공간에서 가장 높은 분류 정확도(0.972222 for RGB+HSV, 0.981481 for RGB+CIE Luv)를 보였다.
QSVM 모델도 RGB+HSV에서 0.99, RGB+CIE Luv에서 0.95의 높은 정확도를 달성했다.
SVM과 VQC 모델의 경우 개별적으로는 낮은 정확도를 보였지만, 스택 앙상블을 통해 각각 1.0과 0.954128의 정확도를 달성했다.
Cytaty
"다양한 색상 공간의 특징을 융합하면 유방암 분류 정확도가 향상된다."
"양자-고전 스택 앙상블 기법은 개별 모델의 한계를 보완하여 분류 성능을 높일 수 있다."