Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   1 ,  Jan uar y   201 9 ,   pp.  405 ~ 410   IS S N:  25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 1 .pp 405 - 410          405       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Classific atio n  en hancem en t o f b reast canc er histop atholo gica l   image us ing pena lized l og i stic r egressi on       Moham med  A bdulraz aq K ahy a   Depa rtment  o f  C om pute r  scie n ce,   Educat ion   Col lege  for   Pure  Sci e nce ,   Univer si t y   of  Mos ul,   Mos ul ,   Ir aq       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   J un  1 9 , 2 018   Re vised  A ug   2 1,   2018   Accepte d  Nov   18 , 201 8       Cla ss ifi c at ion   of  bre ast  ca n ce r   hist opat hologica l  im age s  pl a y s   a   sign ifi c ant   ro le  in  computer - ai d e d  di agnosis  s y s tem .   Feat ur es  m at r ix  was   ext r acte d   in  ord er  to   cl assif y   those  images  and  th e y   m a y   contain  out li e r  val ues  adv erse l y   th at   aff e c t   the  class ifi c at ion   per form an ce .   S m oothi ng  of   feat ure s  m at rix   h as  bee n   prove d   to  be  an  eff ectiv e  wa y   t o   improve  the  class ifi c at i on  result   v ia   el i m ina ti ng  o f   outl ie r   va lue s.   I n  thi s  pap er,  a n  ada p ti ve   pen a li z ed  log isti c   re gre ss ion  is  proposed,   with   t he  ai m   of   sm oothi ng  fe at ure s  an d  provide s hi gh   cl assifi ca t ion  ac cur acy   of   hist opat hologica l  i m age s,  b y   combin ing  th e  pen alize d  logi sti c   reg ression  wi th  t he  sm oothe d   fe atures  m at rix .   Exp eri m ent a l  r esult s   base d   on   a   publi cly   re ce nt   bre ast  ca nc er  hi stopat hologica l  i m age   dataset s  s how  tha t  the  proposed  m et ho d  significantl y   o utpe rform s  penalized  log isti c   re gre ss ion  in   te rm s  of  cl assifi ca t ion  a cc ura c y   and  ar ea   und er  t he  cur v e.   Thus,   t he  propose d   m et hod  ca n  b e  useful  for  histo pat hologica l  images  class ifi c at i on  and  other   cl assifi ca t ion  of   disea ses  t y p es  u sing  DN A  gene   expr ession  da ta   in  the  re al  cl inica l  pr ac t ic e .   Ke yw or d s :   Breast  cance r   Histo path ologica l im age   L1 - norm   Pe naliz ed  l ogist ic  r egr e ssio n   Sm oo thing   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   Moh am m ed  A bdulraza q Ka hy a ,   Dep a rtm ent o f  Com pu te r  sci e nce ,   Ed ucati on Coll ege  for  P ure Sc ie nce ,   Un i ver sit y o f M os ul,  Mos ul, Ira q.   Em a il :  m oh a m m edk ahya @uo m os ul.ed u.i q       1.   INTROD U CTION   Nowa days,  ca ncer  is  t he  sec ond  le adin g  ca us e  of  death   w or l dw i de.  O n  t he  oth e r  ha nd,   the   Wo rl d  Healt h  O rg a niz at ion  (WH O)  c onfirm ed  that  8 . 2  m il l ion  d ea ths w ere   ca us e d  by  ca nce r  i n  2012  a nd 8 . 8 m illi on   in  20 15.  M or e ov e r,   it   ex pect ed  27  m illi on   of  ne w  ca ses  o f  this   disease   be fore  2030  [1] .   I n  par ti cula r,   br eas t   cancer   is   one   of  t he   le adin g  ca us es   of   w om en' s  death   in   the   world .   A   rece nt   stu dy  c onfirm ed   that  breast   c ancer   accounts  for 1 8% of al l t ypes  of wom en  can cers a nd the  fif th r eas on  of d e at h  in t he worl dw i de  [2] .   Howe ver,  t he  e arly   sta ge   dia gnos is   a nd  the ra py  ca n  i ncr eas e  the   sur viv al   r at es  to   98%   [3] .   The re   are   m any  noninva sive  im aging   te chn iq ues  f or  br ea st  cance r   su c h  as  m agn et ic   res on a nc e  i m aging   (MRI),  m a m m og ra m s  ( X - rays) ,  ultr aso nogr a phy  a nd  histo path olo gical   im age  [4 - 7] .   Diag no s is  us i ng  histol og ic al   i m ages h as  bec om e a p ower ful  g ol d  sta nda rd f or  dea dly dis eases suc h  a s breast  and l ung ca ncer s , whic h give s   a sati sfactor y  di agnosis c om par ed  w it h ot her m e tho ds s uch  as m a m m og raphy an d ult ras onog raphy  [ 8] .   On  the   ot her  ha nd,  m achine  l earn i ng  te ch ni qu e s  hav e   be e n  us e d  to   e nh a nce  t he  diag nosti c  accuracy   for  br east   ca nc er  th rou gh  a  c o m pu te r - assist ed  syst em   [9] .  I n  gen e ral,  br ea st  cancer   is  cl assifi ed  i nto   be ni gn   a nd   m al ign ant ty pe s and t his d ia gnos is  is  ver y i m po rtant in  dr ug d isc overy a nd treat m ent  [10 - 11] .    Lo gisti c  re gr es sion  ( LR)   is  c onside red  on e   of  the   fam ou s   m a chine   le ar ning  t echn i qu e s  of  cl assifi cat io n  su c h  as   sup port  vect or  m achines  ( SV M ),  r andom   forests   (RF ),   a nd  ne ur al   netw orks   (NNet)  [ 12 ] .   L og ist ic   regressio n  is  a n  exte ns ive  cl a ssific at ion   te ch nique  an d  has  m any  app li ed  f ie lds  li ke  ge ne  expressi on  d at a  [13] ,  pr e dicti on of t her a py  ou tc ome   [ 14 ]   a nd pr otein fu nction   [15 ] .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   4 05   –   4 10   406   The  cl assi ficat ion  pe r form ance  im pr ov em ent  is  the   co re  of  t he  br ea st  cance r   histo path olog ic al   i m age   cl assifi cat ion   to  inc rease  the  diag nosti c  accuracy  th r ough  the  feat ur es  sel ect ion   process  [16 - 17] ,  pre - proces s e d  i m age  [18 - 19] ,  or   a ny  oth er   te chn i qu e s.  How ever,  the  pro posed  m et ho d  dif fer s  from   pr evi ou s   te ch niques  in  th e   pr e proc essi ng   act ion   of  the  f eat ur es  m at rix  wh ic h  ai m s  to  el i m inati ng   the   ou tl ie r  va lues   in  these  feat ures  to   increase t he  cl assifi cat ion  acc ur acy  t hroug h   sm oo thing feat ur es  m at rix  data proces s.       2.   THE  PROPO SED  METHO D   2.1 .      Pe na li z ed Lo gistic  Re gr ession   Lo gisti c  regres sion   is   one   of  the  powe rful  c la ssific at ion   al gorithm s  that  is   com par at ively   easy   and  rob us t for class ific at ion  b et we en  tw o  cl asses.  I n  this  pa per , l og ist ic  r e gr es sion  tec hn i qu e  w as u se d  to il lus trat e  the  relat ionshi p  bet ween   i ndepende nt  va riables  ( br east   c ancer  histo pat ho l og ic al   im a ge  feat ur es )  a nd   t he   var ia ble of  res pons e  (1  for  th e b e nign class  or 0 f or the m al ign ant cla s s).   Let   we  ha ve  n   ind e pe nd e nt  ob s er vations  ii y , x ; i 1 , 2 , . . . , n   wh e re  i y 1 , 0   are  re sp on s e   var ia bles, a nd  T i i 1 i p x x , . . . , x   is a vect or of i m age f eat ures.   Con se quently , t he  lo gisti c re gressi on m od el  i s  exp la ine d as     i i i P r o b ( y 1 : x ) ( x ) ,   ( 1 )     i i i P r o b ( y 0 : x ) 1 ( x ) ,   ( 2 )     This  pro bab il it y ca n be e xp la i ned as  fo ll ows:     T i T i ii T i i e x p x ( x ) ( x ) , l o g x , 1 ( x ) 1 e x p x       ( 3 )     wh e re  T i i 1 1 i 2 2 i p p x x x . . . . x .    The  l og - li kelih ood f un ct io n f or r es pons e  v a r ia bles  i y   can  be writt en  as:     n TT i i i i1 l ( ) = y x l o g 1 e x p x ,      ( 4 )     The  pen al iz ed  l og ist ic   re gr es sion   m od el   ( PLR )  ad ds   a  nonne gative  pe nalty   te rm   to  Equ at io n  ( 4 ) ,  an d  is  de fine d  as   f ollows:     p n TT i i i j i 1 j 1 l ( ) = y x l o g 1 e x p x ,         ( 5 )     Mi ni m iz ing  th e PLR  functi on  g ive s  us  the  param et ers    and    [ 20 - 21] .     2.2 .      His topat ho lo gical  Ima ges  Fe atures  Extr act i on   In   t his  pap e r,   discrete  wav el et   trans form   was  us e d  t o  dec om po se  hist opat ho l ogic al   im ages  of  breast   cancer   [ 22] .  P r eci sel y,  each   im age  was   dec om po sed   to   le vel  VII  base d  on  Haar  disc re te   wa velet   tra nsfo r m   to  extract  t he  feat ur es   [23] .     Le vel  I  of  im age  dec om po sit io n  giv e s  fou r  e qu al   siz e  of  s ub - im ages,  nam el y  A 1  (appro xim a ti on   coe ff ic ie nts ) ,  H 1  ( horizo nt al   coef fici ent s),   V 1  (v e rtic al   coef fici ent )   and   D1   (d ia gonal  coeffic ie nt).   T hen,  the  ne xt  le vel  dec om po sit ion   is  base d  onl y  on   t he  pre vi ous  A  of  the  pre vious  deco m posit ion .  Ther e f or e,   le ve l  II  of  im age  deco m po sit io n  gi ves   an oth e r   four  e qu al   siz e   of   sub - im ages,  nam el y  A2 ,   H2,  V2   and  D 2  res ult  of  dec om po sit ion  A 1.   T he  de com po sit ion   c on ti nues   unti l  r eachin g  th e  le ve l  VII.  Th us ,   twenty - ei gh t  s ub - im ages  are   deco m po se d.   Ne xt,   thr ee  ne w   s ub - im ages   are   ge ne r at ed  from   the  colo r  c ha nn el s   ( red,   gr ee n,  bl ue)  of each  s ub - im age.  T hus,  t he  or i gin al   im age  is deco m po se d  t o  the 28 x  3  f rom   su b - im ages.  The n,  nin e  of   t he  tra di ti on al   sta ti sti c al   sta nd a rd s  (m ean ,  m ean  abs ol ute  de viati on ,  m edian  abs olu t e  dev ia ti on,  sta nd a r d  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   enha ncem e nt  of  b re as t ca ncer  h ist op atholo gical im ag e   …   ( Mo hamm e d Ab du lr azaq K ahy a )   407   dev ia ti on,  entr op y,   ene r gy,  s kewness ,  kurto sis,  r oo t  m ean  sq ua re )  are   ext racted  from   ever y  sub - im age.   As  a   resu lt , 7 56 f eat ur es  h a ve bee n o btained  fro m  each hist opat holo gical  im age .     2.3 .      Sm oot hing D ata of Fe at u res  Matrix     Suppose   a   seq uen ce   of  data  po i nts  (i.e.:  a  f eat ur e   in   patte rn  rec ogniti on,   a  ge ne   i n  ge ne   ex pressi on   data  or  a  var ia ble  in  sta ti sti cs)  are  giv e n  whic h  re pr ese nt  t he  c har act erist i c  featu res  f or  kinds  of   cl asse s.   This   data  is  often  c onta ined   outl ie r (extrem e)  valu es as   no ise  fo r t he  cl assifi cat i on  pro blem  in data  m ining fie ld.   To   reduce  this  no i se  data  (R ough   data),  we  ca n  consi der   t he  se qu e nce  of   data   po i nts  as  a  dis crete  sign al   in  tim e   do m ai n   us i ng the   dig it al  f il te r s in  s i gn al   proc essing.   Digital   filt ers   t echn i qu e s  a re   us e d  t o  e xtract   be ne fici al   pa rts  of  the   sig nal   or  to   cl ear   ou t   unwelcom e   par ts  of the  sig nal  [24 - 26] .   Fi gure  1   cl ari fies  the  basic idea   of the  filt er.       Row   sig nal      →   FILT ER   →  F il te re d  sig nal     Figure  1 .   Fil te r  Bl ock D ia gr a m       In   gen e ral,  the re  are  se ver al   dig it al   filt ers  te chn i qu e s  to  s m oo th  data  suc h  as  m ov ing   aver a ge,   l ocal   regressio n  (lo wess  a nd   l oess ),   a nd   r obus t  local   re gr es sio n  ( rlo wess   an d  rloess )  an d  Sa vitzky - Go la y  [ 24 - 28] .  This  pa per   us e s  the   m ov ing   a ver a ge   te ch nique  w hich  c onsidere d  as  the  m os t  com m on   dig it al   filt er  in  sign a l   processi ng   to  e ase  the  cal cula ti on   an d  underst and i ng.   I n  a  s i m ple  way   t he  work   of  m ov in g  ave rage  te ch nique  can  be  su m m arized  as  f ollo w,  if  we  ha ve   an  arr ay   of   raw   ( Roug h)   data  x ( 1 ) , x ( 2 ) , . . . . , x ( N ) ,  it   can  be  ref i ne d  to a  ne w  a rr ay   of sm oo the d d at a  x ( 1 ) , x ( 2 ) , . . . . , x ( N ) . T he  sm oo thed  point   x ( k )   equal  the a ver a ge   nu m ber  of   an  odd  neig hb or  points  f or   t he  c urren t   poi nt.  T he  fo ll owing  f or m ula  re pr ese nts  t he  e quat ion  of  t he  m ov ing   aver a ge fil te r.       m im 1 x ( k ) x ( k i ) , m 1 , 2 , 3 , . . . 2m 1      ( 6 )     The  odd  nu m ber   2 m 1   is  al ways   na m ed  filt er  s pa n.  S ubseq ue ntly ,  the  sm oo thed   f eat ur es   m at rix  dat a   ( Fig ur e   2 )  is  use d for classi fic at ion   pro blem .       11 1 p 11 1 p n 1 n p n 1 n p S m oo t h Ev e r y F e a t ur e s C ol um n x x x x S a m pl e s . x x x x D e f a ul t Mov i ng S m oo t he d F e a t ur e s Ma t r i a v e r a x F e a t ur e s Ma t r e ix g  F IL T E R     Figure  2 .   Feat ures Ma trix  D at a   Sm oo thin g  P ro ces s        2.4 .      Br e as t  Cancer  Classi fi cat i on   Af te r   the  prep r ocessin g  f or   t he   featu res  m at rix,   the   PLR  with  sm oo th  featu res  m at rix  is  ut il iz ed  to  get  hi gh  cl assifi cat ion  a ccur acy .  The  de ta il ed  of the  Ad a ptive  PLR   (A P LR) c om pu ta ti on  is  d es cr ibed  i n  Algorit hm   1 .     Algori th m   1 : T he co m pu tat ion  of A PL R   Step  1: E xtract  f eat ures m at rix via wa velet  t ran s f or m .   Step  2: Sm oo th  featur e s m at rix  via m ov i ng  aver a ge  te c hn i qu e  ( Fig ur e  2 ).   Step  3: S olv e t he APLR,     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   4 05   –   4 10   408   p n TT i i i j i 1 j 1 A L R = a r g M i n l o g 1 e x p x y x .             ( 7 )     3.   RESEA R CH MET HO D   3.1 .      Datasets   Descripti on   The  database   that  ha s  be en   use d  is  t he  Bre aKH is   (T he  B reast  Ca nce r  Histo path ologica l  Im ages),   BreaK His  data base  s upplies  us   with  7,9 09   of   m ic ro sco pic   biopsy  i m ages  wh i c h  ha ve  i nclu ded   t wo   ty pes  of   ben i gn   an d  m a li gn ant  t um or s  that  ha d  colle ct ed  f ro m   82   patie nts  usi ng  diff e re nt  m agn ify ing   f act ors:  40X ,   100X,  200X,  a nd   400X  [ 4] .  T he  avail able  his top at holo gical   i m age s  of   tr ue  colo rs  in  P or ta ble  Netw ork  G raphics  (P N G )  f or m at  with   700  ×   460  pi xels’   r e so luti on   are   th e  ra w   im ages  of  neither   nor m al iz ation   nor   col or  sta nd a rd iz at io n.  The se  im ages  are  ac qu i red  in  RGB   cha nne ls.  A  s umm ary   of  this  databas e  is  li ste d  in  T able  1   and sam ples o f  these im ages in   Fi gure  3 .       Table  1 .   Su m m ary o f  the  Brea KH is  data base   Magn if icatio n   Ben ig n   Malign an t   Total   40X   625   1370   1995   100X   644   1437   2081   200X   623   1390   2013   400X   588   1232   1820   Total   2480   5429   7909   #  Patients   24   58   82         Figure  3 .   Sam ples Breast C an cer  Histop at ho l og ic al   Im ages       3.2 .      Per fo r m an ce E valua tion   In  order  t o  e valuate   the   propose d  m et ho d,  tw o  pe rfo r m ance  m et ric s  wer e   us ed:   the   patie nt   cl assifi cat ion   r at e  (P CR )   a nd  the  ov e rall   cl as sific at ion   accu r acy   ( OCA ) [ 4] .  The   sta ndar d  P CR   is  the   rate   of  the   nu m ber   of im a ges  cl assifi e d  c orrectl y t o  the   nu m ber   of all  im ages for each  p at ie nt,  t he P CR  can  e xp la i n  as:     c o r r e c t a l l n P C R x 1 0 0 % , n     ( 8 )     wh e re   c o r r e c t n   is t he  num ber  o f  h ist opat holo gical  im ages classi fied   co rr ect ly  for   the p at ie nt  i   an d    a l l n   is t he   nu m ber   of h ist op at ho l og ic al  i m ages of  the   pa ti ent  i   .   The OCA   can   be  e xp la in ed  a s:     pa t i e nt s n i i1 p a t i e n t s PCR OC A , n     ( 9 )     wh e re  p a t i e n t s n   is t he n um ber  of  patie nts.                     40X     100X                 200X                   400X     Be nign           Ma li gn ant   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Cl as sif ic ation   enha ncem e nt  of  b re as t ca ncer  h ist op atholo gical im ag e   …   ( Mo hamm e d Ab du lr azaq K ahy a )   409   3.3 .      E xp eri m ent al Settin g   To  co nf i rm   the  us e f uln ess   of  the  pro posed   m et hod,  com pr e hensi ve   ex per i m ent  with   LR  i s  co nducte d.   To  do so,  t he  s m oo th  feat ur es   m at rix  data  is  p arti ti on e d  int o  t he  t rainin g  s et   an d  t he  te st  set,  w he re 70 %   of   the  sam ples  are  sel ect ed ra ndom l y  for t he  t raini ng   set   an d t he r est   30%  are   sel ect ed f or  te sti ng   set . T o m it igate   the   eff ect s  of  the  f eat ur es  m at rix  data  par ti ti on,  al l  the  resu lt s  obta ined  were  th e  aver a ge  of  fi ve  tria ls  for  pa r ti ti on s .       4.   RESU LT S  AND  DI SCUS S ION   4.1 .      Clas si ficat i on  Per f orm an ce   Table  2   re ports ,   on  a ver a ge,  t he  OC A  for   th e  trai ni ng  a nd  t est ing  dataset s   of  a pp ly in g  t he   A PLR  a nd  PLR  m et ho ds .   The  num ber   in   par e nth esi s   is  t he c orres ponding  sta nda rd  de viati on .   I n  ad di ti on ,   the   la st  co lum n  represe nts the f il te r  sp an  v al ue .    At th e  be ginning  with  the  m a gn i ficat ion 4 0X,  r e gardi ng th e ove rall  classi ficat ion acc ur a cy  and  b as e d  on  the  t rainin g  dataset ,  t he  propose d  m et ho d,  A PLR,  ac hie ves  100.0 0%,  def eat in g  PLR,   by  3.098%   w hethe r   the  fil te r  sp a n  va lue  eq ual  five  or   th ree.  Dep e ndin g  on   the  te st ing   dataset ,  the   AP LR   w hich  de pends  on   t he  f il te r   sp a n  five  is   be tt er  tha n  P LR  of  ove rall   cl assifi cat ion   acc uracy   bec ause   it   achie ved  91.922  %,   wh ic h  is   6.9 62   bette r  tha n PL R.     Wh il e  the  m agn ific at io n  100X,  the  APLR   al so   prov i des  e nhancem ent  ove r  the  PLR  by  6. 608%   for  the   trai ning  datase t  reg ar dless  of  the  filt er  sp a n  value.   M or e over ,   the  propo sed  m et ho d  be at s  PLR  in  te r m s  of   ov e rall  classi fi cat ion  acc ur ac y   base d on the  te sti ng   dataset .   Lo ok i ng  at   t he   m agn ific at ion  200X,   the   OC A  of  t he  pro posed   m et ho d   pe rfor m ance  is   be tt er  tha n  t he   non - sm oo thed   data  of  PLR .   I n  te rm s  of   OCA,   th e  OC A  obta ined  f r om   the   pro po se d  m eth od  was  100.0 0%  f or   the  trai ning d at aset   and  92.46%   that  de pends   on   t he  filt er  s pa n  fi ve   as  well   93.49 6%  that d epends on  the fi lt er   sp a n  th ree fo r  t he  te sti ng d at a set .   This i nd ic a te s the supe rio r it y of  the  pro pose d  m et ho d.   Eve ntu al ly , r e ga rd i ng  the  m agn ific at ion   400X,  the   AP LR  s hows   a  consi der a bl e  do m inance  a gainst  non - sm oo t hed   data  P LR.  It   achie ve d  t he high e r o ver al l cl assifi cat ion  acc ur acy   for b oth   the traini ng and test in g datas et s.        Table  2 .   Cl assi ficat ion   pe rform ance of th e  APLR  and  PLR   Metho d s   Tr ain in g  datas et   Testin g  datas et   Filter  Sp an     OCA %   OCA %     40X         APLR   1 0 0 .00  ( 0 .000)   9 1 .92 2  ( 4 .413)   5   APLR   1 0 0 .00  ( 0 .000)   9 1 .54 4  ( 4 .830)   3   PLR   9 6 .90 2  ( 0 .949)   8 4 .96 0  ( 4 .602)   No n  S m o o th ed   100X         APLR   1 0 0 .00  ( 0 .000)   9 2 .82 2  ( 1 .431)   5   APLR   1 0 0 .00  ( 0 .000)   9 0 .99 6  ( 0 .898)   3   PLR   9 6 .01 8  ( 1 .010)   8 6 .21 4  ( 0 .544)   No n  S m o o th ed   200X         APLR   1 0 0 .00  ( 0 .000)   9 2 .46 0  ( 3 .169)   5   APLR   1 0 0 .00  ( 0 .000)   9 3 .49 6  ( 2 .532)   3   PLR   9 6 .86 2  ( 1 .147)   8 6 .85 8  ( 2 .323)   No n  S m o o th ed   400X         APLR   1 0 0 .00  ( 0 .000)   8 8 .36 4  ( 1 .985)   5   APLR   1 0 0 .00  ( 0 .000)   8 7 .24 6  ( 2 .076)   3   PLR   9 4 .87 0  ( 1 .035)   8 2 .57 2  ( 1 .919)   No n   S m o o th ed       4.2 .      S tatistic al Signi fica nc e Test   To  c onfirm   the  util it y  of   th e  pro posed   m et hod  in   hi gh  cl assifi cat ion  perf or m ance,   a  pair wise   com par ison  bet ween  the  pro posed  m et ho d  a nd  eac h  c om petito r  m et ho d  was   us e d  us in g  Ma nn – Wh it ney  U  te st.   The   area   unde r  t he  c urve   (AUC)   f or  t he  t r ai nin g  dataset   was   us e d  f or  t his  te st.   Ta ble   3   s hows   t he  Ma nn – Wh it ney  U  te s t  resu lt s  at   si gnific ance   le vel   0 . 0 5  .  As  highli ghte d  in   Ta ble  3 ,  the  A UC  of  th e  pro pose d  m et ho d  is  stat ist ic al ly   sign ific antly   bette r  tha n  P LR.       Table  3 .   P - valu es for  the Ma nn – Wh it ney U t est  o f  the  pro pose d  m et ho d re su lt s w it h com petit or  m et ho d.  (*)   m eans th at  the   two  m et ho ds  ha ve  si gn ific a nt  diff e re nces   Dataset   APLR vs  P LR   40X   0 .00 6 8 (*)   100X   0 .00 5 4 (*)   200X   0 .00 6 0 (*)   400X   0 .00 1 1 (*)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   4 05   –   4 10   410   5.   CONCL US I O N   This  pa per  pr es ents  a n  ada ptiv e  pe naliz ed   lo gi sti c  regressio n  by   m eans  of   s m oo thing  of   fe at ur es   m at rix  to  increase   ove rall   cl assifi cat i on   acc uracy   of  br east   ca ncer   hi stop at holo gica l  i m ages.  The  s up e rio r  cl assifi cat ion   perform ance  of   the  pro pose d  m et ho d  was   s how n  thr ough   two  as pects:   hig h  ov e rall   cl as sific at ion   acc ur acy   an d  the  Ma nn – Wh i tney   U  te st  for   the  A UC.  Co nse quently ,  the  resu lt s  c onfirm   that  AP LR  is  a  prom isi ng   m et hod  for  m edical   i m age  cl assifi cat ion ,  m edical   diag nosis  of   tum or s  an d  ve ry  us e f ul  in  oth e r  ty pes  of   high - dim ension al  classi ficat ion   dat a relat ed  t o  the  b iol og ic al   fiel d.         REFERE NCE S   [ 1]   Bo y l e, P.   and  B .   Le vin ,   World   ca nce r report 2008 .   2008:   IARC Pr ess,  Internat ional  Agenc y   for  R ese arc h   on  C ancer.   [2]   Zha ng,   Y. ,   B .   Z hang,  and   W .   Lu ,   Breast  canc er   histol ogic a l  image  c lassifi ca ti on   wit h   mult ipl e   f e atures  and  rand om   subs pace   cl ass ifier  ense mble ,   in   Knowle dge - Based  Syste ms   in  Biom edi ci n e  and  Computati onal  Life   Scienc e .   20 13,   Springer.   p .   27 - 4 2.   [3]   Cent er ,   M.,  R.   Si ege l ,   and  A .   Jem al ,   Globa l  can cer   fac ts  &   fi gures.   Atla nt a:   Am eri c an  Cancer  Soci ety ,   2011:  p .   1 - 52 .   [4]   Spanhol,   F.A. ,   et   a l.,  A   dataset  for  breast  can ce r  histopat ho lo gic al  image  cl a ss if ic ati on .   I EEE  Tr ansa ctions  on  Biom edi cal  Eng i nee ring ,   2016 .   6 3(7):  p.   1455 - 14 62.   [5]   Vu,  T . H. ,   et  al . ,   Histopatho logical   image   c lassifi cation   using  d i scriminati v e  fe a ture - oriented  d i ct ionary   l earnin g.   IEE E   Tr ansa ctio ns on  Medical   I m agi ng,   2016 .   3 5(3):  p.   738 - 751 .   [6]   Acha r y a ,   U.R . ,   et   al.,  Aut omat e d  charac t erization   of   fatty   liver  disease  and   ci rr hosis  using  curv el e t  transfor m  a nd  ent ropy  fe atures   ex trac te d  from u lt ras ound  image s.   Com pute rs i n   Biol og y   and  Me dic in e, 2016. 79: p. 250 - 258.   [7]   U y un,   S.   and   L .   Chorida h,   F eat u re  Selec ti on   Ma mm ogram   based   on  Breast  Can c er  Mini ng .   Inte r nat ion al   Journ al  of  El e ct ri ca l   and   C om pute r  Engi n e eri ng  (IJEC E), 2 018.   8(1):   p.   60 - 69.   [8]   Huang,  C. - H. ,   et  a l.,   Time - effi ci e nt  spar se   analy s is  of   histopa thological  whol e   sli de  images.   Com pute ri ze d   m edi c a l   imaging  and   gra phic s,  2011 .   35( 7 - 8):  p.   579 - 591 .   [9]   Bel sare ,   A.D. ,   e t   al .   Classifi cat io n  of  breast  can cer   histopat hology   images  using  tex ture  fe a ture  anal ysis .   in  TENCO N  2015  -   2015   IEEE  R egi on   10  Co nfe renc e .   2015.   [10]   Korkm az ,   S.,  G.   Za rar si z,  and   D.  Goks uluk,   Dr ug/nondrug  cl ass if i cat ion   u sing  sup port  vect or  mach ine s  wit h   various   fe ature   select ion   strategies.   Com pute r  Me thods and Programs   in Biom edi ci n e, 20 14.   117(2):   p.   51 - 60.   [11]   Zha ng,   L.,  et   al.,  Simil arit y - bala nce d  dis crimina nt  nei ghbor  embe dding  and  it s  a ppli cation  to   ca nce r  c lassifi ca tion  based  on  ge ne e xpre ss ion  data.   Com pute rs i n  bi olog y   and   m edi c ine ,   2015.   64:   p.   236 - 245.   [12]   Abu - Nim eh,   S.,   et   al .   A   comparison  of  mach ine  lear ning  techniques   for  phishing  d e te c ti on .   in   Proceedi ngs  of   the  ant i - phishing  workin g  groups   2nd  an nual  eCri me   researche rs   sum mit .   2007 .   ACM .   [13]   Algamal,  Z.,  C la ss if ic ati on   of   gen e  e xpre ss ion  aut i sm   data  based  o n  adaptive   penalized  log isti c   regress ion.   E lectr oni c   Journal  of  App lied  Sta ti sti ca l   An aly s is,  2017 .   10( 2):  p.   561 - 571.   [14]   Park,   H. ,   e t  a l.,  A  nov el   a dap ti v e   penal ized   logi st ic   regress ion  for   uncovering  bio mar ke r  ass oci ate d  wit h   anti - can ce r   drug sensit ivity.   IEE E /ACM T ra nsac ti ons on   Co m puta ti onal Bi o l og y   and  B ioi nfo rm at ic s,   2016.   [15]   Le e ,   H. ,   et   al.,  Diff usion  ke rne l - b ased  logi sti c  reg ress ion  models  f o r  protei n  fun cti on  prediction.   Om ic s:  a  journa l   o f  int egr at iv e  bio lo g y ,   2006 .   10(1):   p.   40 - 55 .   [16]   Kah y a,   M.A . ,   W .   Al - Ha y ani,  and  Z . Y.  Algam al ,   C lassifi ca ti o n  of  breast  can c er  histopat holog y  images  based  on  adapti v e  spar se  suppor t  ve c tor m achi ne .   Journa l  of  Applie d   Math emati cs  and  B ioinform at ic s,   2017 .   7(1):   p.   49.   [17]   Hlai ng,   T . ,   Fe a ture  se le c ti on   a nd  fuzzy   decisio n  tre e  for  n et w ork  in trusion  d et e ct ion .   Inte rn a ti onal  Journa l  o f  Inform at ic s  and Com m unic at ion Te chno log y   (IJ - I CT),   2012 .   1(2 ): p.  109 - 118 .   [1 8]   Spanhol,  F.A. ,   e t  al.  Breast   can c er  histopa thol og ic al   image   cl ass if ic a ti on   using   C onvol uti ona l   Ne ural  Ne tworks .   i n  Inte rnational   Jo i nt  Conf ere nce o n  Neural  N et wor ks  ( IJCNN) .   2016.   Van couve r ,   C ana da :  I EE E .   [19]   Motla gh,   N.H. ,   et  al.,  Breast  Ca nce r  Histop a thological  Image   Cl ass if ic ati on:   A  Dee p  Learning   Approach.   bioR xiv ,   2018:  p.   242818.   [20]   Algamal,   Z. Y.  a nd  M.H.  L ee ,   A  nove l  mol ec u lar  desc riptor  sel ection  method  in  q sar   cl ass if ic at io n  model  based  o n  wei ghte d   pena li z ed  log isti c   regre ss ion.   Journal   of   Chemom et ric s,   2017.   31(10) .   [21]   Algamal,  Z . ,   An   efficien t  g ene  select ion   method   for  h igh - dimen sional  microarr ay  data   based   o n  spar se  logi st i c   regress ion.   Elec t ronic   Journa l  of   Applie d  St at ist ical  Ana l y s is,  201 7.   10(1):   p.   242 - 256.   [22]   Gonza le z,  R .   and   R.   W oods,   Digital  Image   Proce s sing .   2008 ,   Uppe r  Saddl e   Rive r ,   New  Jerse y ,   US A:  Pear son   Prent ic e   Hall .   [23]   El   A y ac h i,   R . ,   B.   Bouikhalen e,  and  M.  Faki r,   New  Image  Com press ion  Al gorit hm  using  Haar   Wav elet  Tr ansform .   Inte rna ti ona l  Jou rna l  of   Inform a tics a nd  Com m unic ation  T ec hno lo g y   (IJ - ICT), 201 7.   6(1):   p.   43 - 48 .   [24]   Antoniou,   A . ,   Di git al  signa l  proc essing .   2016:   McGraw - Hill .   [25]   Rabi ner ,   L . R.   an d  B.   Gold,   Theor y and  applicati o n  of digi tal   signa l pr oce ss ing.   En gle wood  Cli ffs,   NJ ,   Prenti ce - Hal l,   Inc . ,   1975.   777   p . ,   1975.   [26]   Quinquis,   A. ,   Di git al  signa l  proc essing  using M A TL AB .   2008:   W i ley   Onl ine L ibr a r y .   [27]   Champagne,  B.   and  F.   L abeau,  Discrete  ti me   si gnal  proc essing.   Cla ss   Not es  for   the   Cours e  ECSE - 412,   Depa r tment  of  Elec tr ical & Com pute r  Engi n e eri ng ,   McGi ll   Univer sit y ,   2004 :  p.   190 - 194.   [28]   Te rre ll ,   T . J.,  Intr oduct ion   to  d igi t al  filt ers .   1988:   Springer.     Evaluation Warning : The document was created with Spire.PDF for Python.