ANALISIS JURNAL BIOKIMIA

TEORI GELOMBANG DALAM KESEHATAN

A. What
1. Judul : Deteksi Kanker Payudara Mengunakan Infrared Thermal dan Model
Pembelajaran yang Mendalam
2. Nama Jurnal : Sensors
3. Nomor : No. 1
4. Metode
Penelitian ini menggunakan desain studi kasus, yaitu peneliti menyelidiki
secara cermat suatu peristiwa, proses, aktivitas, atau sekelompok individu, dimana
kasus-kasus dibatasi waktu dan aktvitas. Variabel independen yaitu terapi infrared
sedangkan variabel dependen yaitu efek terapi infrared terhadap deteksi kanker
payudara.

B. When
1. Diterima : 26 Mei 2018
2. Disetujui : 23 Agustus 2018
3. Dipublikasikan : 25 Agustus 2018

C. Who
1. Peneliti : Sebastien Jean Mambou
2. Korespondensi : Center for Basic and Applied Research, Faculty of Informatics
and Management, University of Hradec Kralove, Rokitanskeho 62, Hradec Kralove
500 03, Czech Republic; jean.mambou@uhk.cz (S.J.M.); petra.maresova@uhk.cz
(P.M.); aselamat@utm.my (A.S.); kamil.kuca@uhk.cz (K.K.)
3. E-mail : ondrej.krejcar@uhk.cz
D. Where
Penelitian studi kasus dilakukan di Faculty of Computing, Universiti Teknologi
Malaysia, Johor 81310, Malaysia.
E. Why
1. Latar belakang
Payudara wanita rentan terkena kanker; ini didukung oleh penelitian terbaru
dari 2016 yang menunjukkan bahwa 2,8 juta wanita di seluruh dunia telah didiagnosis
menderita kanker payudara tahun itu. Perawatan medis seorang pasien dengan kanker
payudara adalah mahal dan, mengingat biaya dan nilai pelestarian kesehatan warga
negara, pencegahan kanker payudara telah menjadi prioritas dalam kesehatan
masyarakat. Selama 20 tahun terakhir beberapa teknik telah diusulkan untuk tujuan ini,
seperti mamografi, yang sering digunakan untuk diagnosis kanker payudara. Namun,
positif palsu mamografi dapat terjadi di mana pasien didiagnosis positif dengan teknik
lain. Selain itu, efek samping potensial menggunakan mamografi dapat mendorong
pasien dan dokter untuk mencari teknik diagnostik lainnya.

Berdasarkan beberapa artikel dari 2002-2010, penulis penelitian terkait

sebelumnya (Kosus et al., 2010)[4] melakukan tinjauan yang menggambarkan
keterbatasan mamografi film layar lebar (SFM). Sebagai contoh, sejumlah besar positif
palsu terjadi dengan teknik ini, dengan tingkat antara 4% dan 34%. Ada sejumlah
besar minat dalam pemrosesan gambar melalui jaringan neuron. Untuk lebih tepatnya,
[5,6]
beberapa peneliti telah mengeksplorasi deteksi dan penilaian tingkat keparahan
kanker dengan cara ini. Berkat ConvNet, kita dapat mengklasifikasikan kanker sebagai
[7-13]
invasif atau non-invasif. Selain itu, beberapa penulis telah menunjukkan kekuatan
model jaringan saraf (NN) dan variannya (Jaringan Syaraf Berulang (RNN), Jaringan
Neural Dalam (DNN), dll.). Mereka juga menekankan pentingnya memecahkan
masalah kanker payudara melalui teknik inovatif dalam ilmu komputer.

Terlepas dari preferensi untuk mamografi selama beberapa dekade terakhir,

kebutuhan akan teknik baru untuk mengatasi keterbatasan mamografi sebagai suatu
teknik telah muncul. Dengan cara yang sama, penelitian telah menghadirkan
fluoresensi inframerah-dekat (NIRF) sebagai elemen penting dalam proses diagnostik
kanker[15], serta dalam pengamatan terus menerus penyakit dan pengobatan penyakit.
Sangat penting bahwa pemrosesan gambar memiliki sinyal cahaya NIRF yang kuat,
sehingga gambar yang diambil mengandung banyak informasi yang sangat dekat
dengan keadaan payudara yang sebenarnya. Seperti yang kita ketahui, semakin cepat
tumor ditemukan, dan semakin cepat pengobatan dimulai, semakin besar peluang
keberhasilan. Peneliti lain telah membahas kesulitan memperoleh parameter tumor
seperti panas metabolik, kedalaman tumor, dan diameter termogram[16]. Artikel lain[17]
menyebutkan keterbatasan computed tomography (CT) dan magnetic resonance
imaging (MRI), yang memiliki sensitivitas rendah untuk lesi sub-sentimeter karena
keterbatasan resolusi spasial mereka. Beberapa penelitian telah menunjukkan poin
negatif lebih lanjut dari tes mamografi berturut-turut yang terjadi selama 10 tahun [18].
Menurut penelitian yang dilakukan oleh Kandlikar et al., 2017[18] ,tingkat diagnosis
positif palsu untuk wanita setelah menjalani mammogram setiap tahun selama 10
tahun adalah 49,1%. Studi lain menunjukkan bahwa ketika wanita disarankan untuk
melakukan biopsi NLS (Sentinel Lymph Node), ini mengurangi risiko perkembangan
penyakit (kanker payudara)[19]; Selain itu, penulis lain Kontos et al., 2011 [20] telah
menyarankan untuk tidak mengambil hasil termografi kanker payudara sebagai
informasi yang cukup untuk pengambilan keputusan

2. Tujuan

a. Untuk memberikan gambaran yang jelas tentang deteksi kanker payudara

menggunakan gambar inframerah.
b. Mengusulkan model yang cukup kuat untuk membantu deteksi dini kanker
payudara.
F. How
1. Hasil
Setelah pelatihan model, melakukan tes validasi dengan mengambil gambar payudara
dari dataset 12 payudara baru (seperti yang disebutkan sebelumnya). Perlu diingat
bahwa untuk setiap payudara dalam penelitian ini memiliki 20 gambar berurutan, saat
penelitian ini mengirimkan 480 gambar untuk uji validasi. Angka 18 diberikan
gambar (A) sebagai input, model kami mengklasifikasikan gambar sebagai "sakit"
dengan kepercayaan 0,78. dan angka 19 diberikan gambar (B) sebagai input, model
dalam penelitian ini mengklasifikasikan gambar sebagai "sehat" dengan kepercayaan
0,94

2. Pembahasan

Kanker payudara adalah kanker yang paling umum pada wanita, terhitung 23%
dari semua kasus onkologi yang baru didiagnosis. 85% keluarga di mana salah satu
orang tuanya akan menderita kanker tanpa bantuan keluarga, teman, organisasi
nirlaba, atau bahkan hutang. Manajemen pasien dengan kanker payudara memiliki
dampak signifikan pada anggaran nasional. Oleh karena itu, ini adalah prioritas
kesehatan masyarakat untuk mendukung program pencegahan yang efektif yang dapat
mengurangi biaya kanker atau memberikan intervensi terapeutik yang meningkatkan
peluang pasien untuk bertahan hidup, sehingga mengurangi biaya tidak langsung
morbiditas dan mortalitas [31]. Pengeluaran keuangan publik untuk manfaat asuransi
sosial bagi penderita kanker payudara berkisar antara 50,2 juta EUR (2010) hingga
56,6 juta EUR (2014), atau 0,72-0,79% dari total biaya untuk semua penyakit.
Hilangnya peluang dalam pendapatan keuangan publik berjumlah 173,9 juta EUR
pada 2010 dan 211,0 juta EUR pada 2014 [28].
Unar-Mungu'ıa dkk., 2017 [24] memperkirakan bahwa 245 juta USD dalam biaya
medis dan pendapatan yang hilang karena kanker payudara dapat dihindarkan dari
kehidupan kelompok perempuan Meksiko. Biaya medis mencakup 80% dari beban
ekonomi; hilangnya pendapatan dan biaya peluang bagi pengasuh masing-masing
mewakili 15% dan 5% [24]. Gustavsen et al., 2014 [32] menilai kegunaan biaya
Indeks Kanker Payudara (BCI) untuk pembayar pihak ketiga AS.

Melalui penelitian kami, dalam penelitian inimengamati peningkatan yang

cukup besar dalam deteksi kanker payudara pada wanita di bawah 50, dengan
sensitivitas ≥78% menggunakan perangkat lunak No Touch. Studi tentang dasar
kanker payudara yang berkaitan dengan teknik modern memberi kita pandangan yang
lebih baik dari pertanyaan yang berkaitan dengan deteksi tumor secara tepat.
Berdasarkan artikel yang dibahas di bagian "pekerjaan terkait", dalam penelitian
inimempertimbangkan beberapa fitur yang dalam penelitian inianggap cukup relevan
untuk menunjukkan perbedaan umum antara Pemindaian Payudara Sentinel dan
Pemindaian Payudara Tanpa Sentuh. Tampaknya sebagian besar teknik saat ini
menggunakan jaringan neuron untuk mengurangi jumlah false positive (Tabel 1).

Melalui penelitian ini, dapat dilihat peningkatan yang cukup besar dalam
deteksi kanker payudara pada wanita di bawah 50, dengan sensitivitas ≥78%
menggunakan perangkat lunak No Touch. Berdasarkan penelitian sebelumnya, dapat
dilihat hal pentingnya pemrosesan gambar, yang saat ini dilakukan dengan baik oleh
manusia tetapi belum memadai ketika dilakukan dengan metode kecerdasan
buatan.Hal ini menyoroti perlunya Computer Assist Device (CAD) yang akan
membantu kita untuk lebih memahami gambar termal yang ditangkap oleh kamera
pencitraan termal dalam penelitian iniyang berbeda [34]. Dalam konteks ini CAD
akan menjadi jaringan saraf yang dalam dengan model SVM sebagai classifier, seperti
yang ditunjukkan pada Gambar 10 (dengan asumsi itu sudah dilatih) yang akan
mengambil gambar termal, dan sebagai output mengklasifikasikan gambar sebagai
mengandung kanker atau tidak. Kita harus mengklarifikasi bahwa modul
pembelajaran dalam akan menghasilkan probabilitas citra termal payudara yang
diklasifikasikan sebagai sakit (memiliki kanker) atau sehat (tanpa kanker) [35]. Jika
output kepercayaan (sakit) oleh DNN dalam penelitian inilebih besar dari 0,5 dan
kurang dari 0,6, itu akan menjadi klasifikasi Super Machine Vector dalam penelitian
iniuntuk membedakan keadaan payudara pasien berdasarkan pada matriks fitur dari
gambar termal payudara.

Dalam penelitian ini menguraikan teknik sebelumnya dan baru yang digunakan
untuk deteksi dan pencegahan kanker payudara. Dalam penelitian inibertujuan untuk
berkontribusi pada tugas yang menantang ini dengan pekerjaan kami. Model yang
dalam penelitian ini sajikan dalam makalah ini memanfaatkan dua faktor utama yaitu,
menggunakan jaringan saraf yang dalam (model Inception V3 yang sudah dilatih
sebelumnya) yang dimodifikasi pada lapisan yang terhubung sepenuhnya terakhir
sedemikian rupa sehingga memperoleh klasifikasi biner yang kuat (payudara yang
sakit atau payudara yang sehat), Klasifikasi terkenal kedua (SVM) digabungkan
dengan itu, dan hanya terlibat dalam kasus ketidakpastian dalam output DNN.

Pra-pemrosesan melibatkan konversi RGB skala abu-abu, dan kultur gambar

untuk menghilangkan daerah yang tidak diinginkan seperti daerah leher, lengan, dan
lipatan sub-membran daerah tersebut. Selama pelatihan model, penelitian ini
 menetapkan tingkat pembelajaran pada 0,0001, zaman ke 15, dan langkah-langkah
untuk 4000 (semua angka-angka ini diperoleh melalui beberapa percobaan).
Selanjutnya, pelatihan pada penelitian ini dilakukan dengan menggunakan sampel 64
payudara, termasuk 32 yang sehat dan 32 dengan beberapa kelainan, di mana setiap
payudara memiliki 20 gambar berurutan. Ini menghasilkan 1062 gambar (setelah fase
pra-pemrosesan) yang digunakan untuk melatih dan menguji jaringan dalam
penelitian inidengan masing-masing reparasi 0,8 dan 0,2 seperti yang ditunjukkan
pada Tabel3. Untuk memvalidasi tes yang dilakukan, dalam penelitian ini
menggunakan 12 payudara yang benar-benar baru untuk model.

Pada penelitian ini menunjukan bahwa distribusi spasial dari representasi fitur
yang diekstraksi model Model yaitu jika titik Merah, elemen yang diklasifikasikan
sebagai Sehat (Untuk Payudara Sehat), dan jika titik Biru, fitur yang diatur sebagai
Sakit (Untuk Payudara Sakit atau Payudara dengan Kanker). Mesin Super Vektor
(SVM), representasi fitur yang dalam penelitian iniekstrak menunjukkan bahwa fitur
ini tidak sepenuhnya diklasifikasikan. Penelitian ini8 dapat membedakan dua
kelompok utama Sehat dan Sakit. Tujuan dalam penelitian inidi sini adalah untuk
melakukan klasifikasi tambahan di atasnya sehingga dalam penelitian inidapat
memiliki akurasi yang lebih baik untuk klasifikasi kami. Penelitian ini memiliki
tujuan, variasi inbuilt dari SVM yang merupakan Klasifikasi Vektor Super Linear
(LinearSVC). Seperti disebutkan dalam penelitian (Scikit-Learn) yang menunjukan
bahwa memiliki lebih banyak fleksibilitas, mendukung input yang padat dan jarang,
dan cocok untuk klasifikasi multi-kelas.

Confusion Matrix dari LinearSVC (SVM) dalam penelitian ini menunjukkan

seberapa yakin classifier untuk setiap prediksi. Penelitian ini menggunakan arsitektur
SVM linier sederhana dengan lapisan pertama bertindak sebagai lapisan input diisi
oleh fitur yang diperoleh dari InceptionV3 kami, lapisan tersembunyi kami yang
berisi beberapa neuron dan melakukan produk dalam.

3. Simpulan dan Saran

Selama tinjauan literatur, menjadi jelas bahwa pekerjaan di bidang deteksi

kanker payudara dari sudut pandang ilmuwan komputer bisa menjadi kontribusi yang
berharga bagi bidang ini. Dengan mengingat hal ini, dalam penelitian
inimempresentasikan teknik yang paling umum digunakan untuk mendeteksi kanker
payudara, serta kekuatan dan kelemahannya. Satu teknik khususnya tampaknya
memiliki masa depan yang menjanjikan, karena sifatnya yang non-imersif dan jumlah
data yang signifikan yang perlu diproses dengan teknik yang lebih efisien. Pencitraan
inframerah ditambah dengan agen yang sebelumnya diberikan kepada pasien dapat
menyebabkan detektor tumor yang sangat akurat. Dalam penelitian selanjutnya,
dalam penelitian iniakan menggunakan kamera sensitivitas termal 0,5, dan
mengusulkan model payudara yang akan dapat membantu dalam penelitian
inimewujudkan diagnosis yang lebih tepat.
 DAFTAR PUSTAKA

1. National Breast Cancer Foundation. Breast Cancer Facts; National Breast Cancer
Foundation: Sydney, Australia, 2016.
2. Dongola, N. Mammography in Breast Cancer. Available
online:https://emedicine.medscape.com/article/ 346529-overview(accessed on 24
August 2018).
3. Hamidinekoo, A.; Denton, E.; Rampun, A.; Honnor, K.; Zwiggelaar, R. Deep learning
in mammography and breast histology, an overview and future trends. Med. Image
Anal. 2018, 47, 45–67. [CrossRef] [PubMed]
4. Kosus, N.; Kosus, A.; Duran, M.; Simavlı, S.; Turhan, N. Comparison of standard
mammography with Digital mammography and Digital infrared thermal imaging for
breast cancer screening. J. Turk. Ger. Gynecol. Assoc. 2010, 11, 152–157. [CrossRef]
[PubMed]
5. Li, H.; Weng, J.; Shi, Y.; Gu, W.; Mao, Y.; Wang, Y.; Liu, W.; Zhang, J. An improved
deep learning approach for detection of thyroid papillary cancer in ultrasound images.
Sci. Rep. 2018, 8. [CrossRef]
6. Dezs, R.; Anna, H.; Zsuzsa, U.; Peter, P.; Istvan, C. Detecting and classifying lesions in
mammograms with Deep Learning. Sci. Rep. 2018, 8, 4165. [CrossRef]
7. Visual Lab. A Methodology for Breast Disease Computer-Aided Diagnosis using
dynamic thermography. Available
online:http://visual.ic.uff.br/en/proeng/thiagoelias/(accessed on 24 August 2018).
8. Alireza, O.; Bita, S. Machine Learning Techniques to Diagnose BreastCancer. In
Proceedings of the 2010 5th International Symposium on Health Informatics and
Bioinformatics, Antalya, Turkey, 20–22 April 2010. [CrossRef]
9. Saira, C.; Muhammad, K.; Khurram, K. Breast Cancer Detection in Mammograms
using Convolutional Neural Network. In Proceedings of the 2018 International
Conference on Computing, Mathematics and Engineering Technologies (iCoMET),
Sukkur, Pakistan, 3–4 March 2018; pp. 1–5.
10. Adriel, A.; Aura, C.; Roger, R.; Anselmo, M.; Claudineia, A. Computer Aided
Diagnosis for Breast Diseases Based on Infrared Images. In Proceedings of the 2017
IEEE/ACS 14th International Conference on Computer Systems and Applications
(AICCSA), Hammamet, Tunisia, 30 October–3 November 2017; pp. 172–177.
11. Vijaya, M.; Christy, B. Thermal imaging based breast cancer analysis using BEMD and
uniform RLBP. In Proceedings of the 2017 Third International Conference on
Biosignals, Images and Instrumentation (ICBSII), Chennai, India, 16–18 March 2017;
pp. 1–6.
12. Dina, A.; Sheida, N.; Reda, A.; Clifford, Y. Survey on deep convolutional neural
networks in mammography. In Proceedings of the 2017 IEEE 7th International
Conference on Computational Advances in Bio and Medical Sciences (ICCABS),
Orlando, FL, USA, 19–21 October 2017.
13. Litjens, G.; Kooi, T.; Bejnordi, B.E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; van
der Laak, J.A.W.M.; van Ginneken, B.; Sánchez, C.I. A Survey on Deep Learning in
Medical Image Analysis. Med. Image Anal. 2017, 42, 60–88. [CrossRef] [PubMed]
14. Rampun, A.; Scotney, B.W.; Morrow, P.J.; Wang, H. Breast Density Classification
Using Local Quinary Patterns with Various Neighbourhood Topologies. J. Imaging
2018, 4, 14. [CrossRef]
15. Li, S.; Johnson, J.; Peck, A.; Xie, Q. Near infrared fluorescent imaging of brain tumor
with IR780 dye incorporated phospholipid nanoparticles. J. Transl. Med. 2017, 15.
[CrossRef] [PubMed]
16. Amria, A.; Pulko, S.H.; Wilk, A.J. Potentialities of steady-state and transient
thermography in breast tumour depth detection: A numerical study. Comput. Methods
Progr. Biomed. 2016, 123, 68–80. [CrossRef] [PubMed]
17. Boogerd, L.S.; Handgraaf, H.J.; Lam, H.D.; Huurman, V.A.; FarinaSarasqueta, A.;
Frangioni, J.V.; van de Velde, C.J.; Braat, A.E.; Vahrmeijer, A.L. Laparoscopic
detection and resection of occult liver tumors of multiple cancer types using real-time
near-infrared fluorescence guidance. Surg. Endosc. 2017, 31, 952–961. [CrossRef]
[PubMed]
18. Kandlikar, S.G.; Perez-Raya, I.; Raghupathi, P.A.; Gonzalez-Hernandez, J.L.;
Dabydeen, D.; Medeiros, L.; Phatak, P. Infrared imaging technology for breast cancer
detection—Current status, protocols and new directions. Int. J. Heat Mass Transf.
2017, 108, 2303–2320. [CrossRef]
19. Namikawa, T.; Sato, T.; Hanazaki, K. Recent advances in near-infrared fluorescence-
guided imaging surgery using indocyanine green. Surg. Today 2015, 45, 1467–1474.
[CrossRef] [PubMed]
20. Kontos, M.; Wilson, R.; Fentiman, I. Digital infrared thermal imaging (DITI) of breast
lesions: Sensitivity and specificity of detection of primary breast cancers. Clin. Radiol.
2011, 66, 536–539. [CrossRef] [PubMed]
21. Mambou, S.; Maresova, P.; Krejcar, O.; Selamat, A.; Kuca, K. Breast Cancer Detection
Using Modern Visual IT Techniques. In Modern Approaches for Intelligent
Information and Database Systems; Andrzej, S., Adrianna, K., Manuel, N., Quang
Thuy, H., Eds.; Springer: Berlin, Germany, 2018; Volume 769, pp. 397–407.
22. Kandlikar, S.G.; Perez-Raya, I.; Raghupathi, P.A.; Gonzalez-Hernandez, J.L.;
Dabydeen, D.; Medeiros, L.; Phatak, P. Infrared imaging technology for breast cancer
detection—Current status, protocols and new directions. Int. J. Heat Mass Transf.
2017, 108, 2303–2320. [CrossRef]
23. Czech Society for Oncology. National Oncology Program. Available
online:https://www.linkos.cz/narodni- onkologicky-program/(accessed on 24 August
2018).
24. Unar-Mungu´ıa, M.; Meza, R.; Colchero, M.A.; Torres-Mejía, G.; de Cosío, T.G.
Economic and disease burden of breast cancer associated with suboptimal
breastfeeding practices in Mexico. Cancer Causes Control 2017, 28, 1381–1391.
[CrossRef] [PubMed]
25. Boquete, L.; Ortega, S.; Miguel-Jimenez, J.M.; Rodrıguez-Ascariz, J.M.; Blanco, R.
Automated Detection of Breast Cancer in Thermal Infrared Images, Based on
Independent Component Analysis. J. Med. Syst. 2012, 36, 103–111. [CrossRef]
[PubMed]
26. Kubicek, J.; Bryjova, I.; Faltynova, K.; Penhaker, M.; Augustynek, M.; Maresova, P.
Evaluation of Gama Analysis Results Significance within Verification of Radiation
IMRT Plans in Radiotherapy. In Proceedings of the Conference on Computational
Collective Intelligence Technologies and Applications, Nicosia, Cyprus, 27 September
2017; pp. 541–548. [CrossRef]
27. Augustynek, M.; Korpas, D.; Penhaker, M.; Cvek, J.; Binarova, A. Monitoring of CRT-
D devices during radiation therapy in vitro. Biomed. Eng. Online 2016, 15. [CrossRef]
[PubMed]
28. Yszczarz, B.L.; Nojszewska, E. Productivity losses and public finance burden
attributable to breast cancer in Poland, 2010–2014. BMC Cancer 2017, 17. [CrossRef]
29. Nitori, N.; Deguchi, T.; Kubota, K.; Yoshida, M.; Kato, A.; Kojima, M.;
Kadomura, T.; Okada, A.; Okamura, J.; Kobayashi, M.; et al. Successful
treatment of non-occlusive mesenteric ischemia (NOMI) using the HyperEye
Medical System for intraoperative visualization of the mesenteric and bowel
circulation: Report of a case. Surg Today. 2014, 44, 359–362. [CrossRef]
[PubMed]
30. Cardoso, F.; Harbeck, N.; Barrios, C.H.; Bergh, J.; Cortés, J.; El Saghir, N.;
Francis, P.A.; Hudis, C.A.; Ohno, S.; Partridge, A.H.; et al. Research needs in
breast cancer. Ann. Oncol. 2016, 28, 208–217. [CrossRef] [PubMed]
31.Šm ídová, I. Alcohol and Breast Cancer-Economic Costs. Hygiena 2012, 51, 17–
21.

32. Gustavsen, G.; Schroeder, B.; Kennedy, P.; Pothier, K.C.; Erlander, M.G.;
Schnabel, C.A.; Ali, H. Health economic analysis of Breast Cancer Index in
patients with ER+, LN-breast cancer. Am. J. Manag. Care 2014, 20, e302-10.
[PubMed]
33. IMS Institute for Healthcare Informatics. Global Oncology Trend Report: A
Review of 2015 and Outlook to 2020. Available
online:https://morningconsult.com/wp-content/uploads/2016/06/IMS-Institute-
Global-Oncology-Report-05.31.16.pdf(accessed on 24 August 2018).
34. Kim, Y.A.; Oh, I.H.; Yoon, S.J.; Kim, H.J.; Seo, H.Y.; Kim, E.J.; Lee, Y.H.;
Jung, J.H. The Economic Burden of Breast Cancer in Korea from 2007–2010.
Cancer Res. Treat. 2015, 47, 583–590. [CrossRef] [PubMed]
35. Angel, C.; Hannah, G.; Ajay, B.; Michael, F.; Shridar, G.; Natalie, N.C.;
John, L.; Anant, M. Accurate and reproducible invasive breast cancer
detection in wholeslide images: A Deep Learning approach for quantifying
tumor extent. Sci. Rep. 2017, 7. [CrossRef]
36. Guo, Y.; Liu, S.; Li, Z.; Shang, X. BCDForest: A boosting cascade deep forest
 model towards the classification of cancer subtypes based on gene expression
data. BMC Bioinform. 2018, 19, 118. [CrossRef] [PubMed]
37. Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.;
Vanhoucke, V.; Rabinovich, A. Going deeper with convolutions. In
Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern
Recognition, Boston, MA, USA, 7–12 June 2015; pp. 1–9.
38. Bryjova, I.; Kubicek, J.; Molnarova, K.; Peter, L.; Penhaker, M.; Kuca, K.
Multiregional Segmentation Modeling in Medical Ultrasonography:
Extraction, Modeling and Quantification of Skin Layers and Hypertrophic
Scars. In Proceedings of the International Conference on Computational
Collective Intelligence, Nicosia, Cyprus, 27 September 2017; pp. 182–670775.
[CrossRef]
39. Scikit-Learn, A. Sklearn.Svm.LinearSVC. Available online:http://scikit-
learn.org/stable/modules/ generated/sklearn.svm.LinearSVC.html(accessed
on 24 August 2018).
40. Wikipedia. Kernel method Mathematics: the kernel trick. Available
online:https://en.wikipedia.org/wiki/
Kernel_method_Mathematics:_the_kernel_trick(accessed on 24 August
2018).

© 2018 by the authors. Licensee MDPI, Basel, Switzerland.

This article is an open access article distributed under the terms
and conditions of the Creative Commons Attribution (CC BY)
license (http://creativecommons.org/licenses/by/4.0/).