Una técnica adaptativa de patrones ternarios de malla local multiescala con preprocesamiento extensivo y clasificadores basados en optimización de lobos grises para la clasificación de imágenes de cáncer oral

Este estudio presenta un algoritmo mejorado basado en texturas para la clasificación de imágenes de cáncer oral. Las imágenes se preprocesan extensivamente para realzar el área afectada con técnicas como la corrección gamma, la ecualización de histograma adaptativa y el enfoque de imágenes utilizando un filtro Laplaciano. Luego, se extrae un descriptor de características utilizando patrones ternarios de malla local multiescala adaptativa, que utiliza un umbral adaptativo y una ventana deslizante de múltiples escalas. Se utiliza un modelo de aprendizaje automático para la clasificación, que también se optimiza utilizando optimización de lobos grises. La pedagogía produce una precisión media total del 98.29% y 99.89% en dos conjuntos de datos disponibles públicamente. Además, el modelo se compara con tres técnicas de vanguardia para la detección de cáncer oral y se encuentra que ofrece una mejora media del 9.21% y 20.67% en los respectivos conjuntos de datos.