JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 93

Intelligent Diagnostic System for the

diagnosis and prognosis of Breast
Cancer using ANN
R.R.Janghel1, Anuj Mehra2, Anupam Shukla3, Ritu Tiwari4
Soft Computing and Expert System Laboratory
ABV-Indian Institute of Information Technology and Management, Gwalior, India

Abstract- Breast cancer occurs mostly in women and figures states that almost one out of eight women suffers from this disease. Breast
cancer is second only to lung cancer that causes the majority of deaths among women and is difficult to identify accurately and treat.
Diagnostic computational tools can be used effectively, with high degree of accuracy, which may help in improving the specificity and
sensitivity of diagnoses. There are two known types of breast cancer namely benign and malignant which are cured mostly by mammography,
FNA (Fine Needle Aspirate) and surgical biopsy. In this research work, our main objective is to develop and compare a diagnostic system for
diagnosis; prognosis and prediction of breast cancer with the usage of the computational intelligence namely Back Propagation (BPA),
Learning vector Quantization (LVQ), Support vector machine (SVM) and Adaptive Neuro-fuzzy Inference System (ANFIS). These modeling
tools can highlight the important features that play pivotal roles in the classification and aid physicians to diagnose and prognosticate breast
cancer. The database used in developing the above discussed model in this research work is adopted from the University of Wisconsin (UCI)
Machine Learning Repository. Experimental result shows that different models give optimal performance for the data set. However, all the
models are able to solve the problem up to a greater extent but a maximum accuracy of 96.50% is being achieved on the usage of LVQ which
outdo all the other models.

Keywords- Artificial Neural Networks, Breast Cancer, Expert System, Back Propagation Algorithm, Learning vector Quantization, Support
vector machine and Neuro-fuzzy Inference System.
of  care  as  well  as  patient  and  public  opinion 
1. Introduction satisfaction.  Recently,  computer‐based  medical  data 
Breast  cancer  has  become  one  of  the  most  perilous  processing  research  has  yielded  methods  and  tools  for 
carcinomas  in  the  world  among  middle‐aged  and  old  managing the task away from the hospital management 
age women. Breast cancer is the second leading cause of  level  and  closer  to  the  desired  disease  and  patient 
cancer  deaths  in  women  worldwide  and  occurs  in  management level. 
nearly one out of eight women [1]. Breast cancer occurs   
mostly in women but hardly ever it is found to occur in  2. Literature Review
men.  Computational  intelligence  is  a  stimulating  field   
and  from  the  last  decade,  Artificial  Neural  Networks  Yuanjiao et al. proposed a technology to extract micro‐
(ANN)  has  become  important  in  medical  applications  calcifications  clusters  with  accurate  edge  effects  which 
due  to  their  accuracy  for  predictive  inference,  with  canʹt be detected by the naked eye on mammograms to 
potential  to  support  large  data  sets.  Feedforward  obtain much more hidden information in order to help 
Neural Network (FNN) is a kind of ANN, which has a  the  doctors  in  diagnosing  breast  cancer  [2].  Another 
better  structure  but  due  to  slow  training  rate,  easy  to  important research was been carried out by Heng‐Da et 
trap  local  minimum  point  and  poor  ability  in  global  al.  who  has  proposed  a  computerized  micro‐
search  prevents  its  usage  as  alone.  Learning  involves  calcification  detection  based  on  fuzzy  logic,  vibro‐
the  extraction of rules or patterns from the set  of data.  acoustography  and  probabilistic  neural  network  on 
Further  the  time  and  memory  requirement  would  be  mammograms  for  breast  cancer  [3].  Image  feature 
reasonably  less  as  the  system  has  already  summarized  extraction  was  utilized  to  retrospectively  analyze 
the  data  into  some  patterns  or  rules.  In  the  computer‐  screening mammograms taken prior to the detection of 
aided  decision  system,  a  system  is  considered  as  a  malignant mass  was  done  by  Mohd.  Sameti  et  al.[4]. 
effective  and  accurate  if  it  shows  a  very  high  Al Mutazet al. uses statistical texture features for breast 
generalizing  capability  which  would  help  a  physician  cancer detection and few ANN [5]. 
to diagnose a patient correctly. However, unfortunately  T.Z.  Tan  et  al.uses  thermogram  which  is  a  promising 
clinicians  can act  in  different ways depending on their  front‐line screening tool to warn women of cancer [6]. 
knowledge and experience which highlighted the need  Laufer  et  al.  proposed  a  modified  self‐organizing  map 
to  introduce  diagnostic  tools  to  support  the  scientific  with nonlinear weight adjustments to reduce number of 
homogeneity and accountability of healthcare decisions  unnecessary  biopsies  with  a  minimal  number  of 
and  actions.  The  benefits  expected  from  such  actions  subsequent [7]. Taio et al. used Kohonen self organizing 
include  an  overall  reduction  in  cost,  improved  quality  map  and  multilayer  perceptron  trained  with  the 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 94

backpropagation  algorithm  [8].  Xiong  et  al.  used    Collect data set for Breast Cancer
statistics  methods  like  PCA,  PLS  linear  regression   
analysis,  data  mining  methods,  and  hybrid  system  of   
Data Feature Extraction and analysis.
combination  rough  set  and  probabilistic  neural  Processing Removal OR  Filling of missing data.
network.  Probabilistic  neural  network  to  perform  Data Normalization.
 
supervised  classification  and  rough  sets  was  able  to   
reduce  the number of  attributes  in the  dataset  without    Models
Simulated
sacrificing classification accuracy in [9, 10, 11].   
Karabatak  et  al.  used  ANN  and  ANFIS  with  linear   
Training and Testing Phase
discriminant analysis and principal component analysis   
for diagnosis of breast cancer. [12, 13]. Ky Van Ha et al.   
Diagnosis Decision
constructed  a  hierarchical  evolutionary  RBF  network   
and  employed  it  to  detect  the  breast  cancer.  [15,  16].   
The optimum network for classification of breast cancer  Benign   Malignant
cells  was  found  using  Hybrid  Multilayer  Perceptron   
(HMLP) network. [17, 18]. 
Performance Comparison of computational models
Jain  et  al.  used  fuzzy‐logic,  Hybrid  Neuro‐Fuzzy 
generator  based  on  the  Knowledge  Oriented  Design 
(KOD)  concept  and  Cooperative  Neuro‐Fuzzy  systems  Figure 1: Block Diagram of Complete Methodology 
using  Genetic  Algorithms  were  used  for  the   
classification (diagnosis) of breast cancer [19, 20]. Pena‐ 3.1. Diagnosis using Back Propagation Algorithm
Reyes  et  al.  proposed  fuzzy‐genetic  breast  cancer   
identification. [21]. Seker et al. proposed a methodology  In  back  propagation,  the  partial  derivatives  of  the  cost 
with neural network, fuzzy logic, FK‐NN and statistical  function  with  respect  to  the  free  parameters  of  the 
method  to  prognostic  analysis  of  cytometric  image  network is being determined by back propagation error 
data. [22].  signals  through  the  network,  layer  by  layer.  The  feed‐ 
  forward  neural  network  architecture  used  in  this 
experiment consists of a single hidden layer along with 
3. Methodology
  input  and  output.    The  employed  neural  network  is  a 
In  this  research  work,  computational  intelligence  feed  forward  neural  network  and  it  is  shown  in  the 
models have been used for the diagnosis and prediction  following figure 
of  breast  cancer.  The  learning  takes  place  through  an 
iterative  process  of  weight  adjustments  applied  to  its 
initial  weight  after  epoch  iteration  of  the  learning 
process.  Figure  1,  shows  the  overall  diagram  of 
complete  methodology.  Mammography,  biopsy  and 
FNA database of breast cancer microscopic and clinical 
tests  reports  are  used  in  our  diagnostic  system  which 
helps  in  prediction  of  cancer  as  either  Benign  or 
Malignant.  In  this  research  work,  we  have  employed 
ANN  like  Back  Propagation  (BPA),  Support  vector 
 
machine  (SVM),  learning  vector  Quantization  (LVQ) 
Figure 2. Back Propagation Multi‐layer neural network 
and Adaptive Nero‐fuzzy Inference System (ANFIS) for 
structure. 
training of the dataset. Among all the above mentioned 
 
ANN,  LVQ  achieved  the  96.50%  of  accuracy  which 
The  transfer  function  in  hidden  layer  neurons  and 
comes out to be highest.  
output  layer  neurons  are  sigmoid  and  purelin 
 
respectively. The performance function used was Mean 
 
Sum‐squared Error (MSE).  
 
 For hidden units, we must propagate the error back 
 
from the output nodes; equation (1) gives us the 
 
equation of error back propagation
 
E neti y j
j   
                                          
                                     (1) 
  iPj neti y j net j
 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 95

where, first factor represents the error of node i, second  3.3. Diagnosis using Adaptive Neuro-Fuzzy

factor  is  the weight  from  unit  j  to  i,  and  third  factor  is  Inference System
the derivative of node jʹs activation function [23].   
  The  basic  structure  of  the  type  of  fuzzy  inference 
3.2. Diagnosis using Learning Vector system  seen  thus  far  is  a  model  that  maps  input 
Quantization Network characteristics  to  input  membership  functions,  input 
  membership  function  to  rules,  rules  to  a  set  of  output 
LVQ  network  are  based  on  supervised  classification  characteristics,  output  characteristics  to  output 
algorithm.  LVQ  networks  are  designed  to  make  membership  functions,  and  the  output  membership 
decision boundaries in the input space, for a particular  function  to  a  single‐valued  output  or  a  decision 
set of training data. According to structure, the network  associated  with  the  output.  ANFIS  are  a  class  of 
contains  an  input  layer,  a  competitive  layer  and  an  adaptive  networks  that  are  functionally  equivalent  to 
output layer.   fuzzy  inference  systems.  These  represent  Sugeno  e 
Tsukmaoto  fuzzy  models  and  uses  a  hybrid  learning 
algorithm [26]. 
 
 Layer 1 Layer 2 Layer 3 Layer 4 Layer 5

  A1 A1 R1
x1 R1
 
x1
  x1
A2  R2
x1 A2 R2
 
wR3 C1
    C1
Figure  3.  Learning  Vector  Quantization  Neural  A3 A3 R3 R3 wR6
  y
Network Structure  wR1 
 
  B1 B1 R4 R4 wR2
  x2 C2
Here,  input  layer  consists  of  data  provided.  In  the  wR4
C2
 R5
competitive layer, each competitive unit corresponds to  x2 x2  wR5
B2 B2 R5  
a cluster and the output layer has the neurons equal to  x2
 R6
the no of classes.   B3
B3 R6  
According to LVQ algorithm, 
 
(a) If   w   xi     
c

wc ( n  1)  wc ( n)   n [ xi  wc ( n)]                              
Figure 4. Adaptive Neuro‐fuzzy Inference Systems 
where, 0 <   n < 1.                                                      (2)   
else    w   xi   The  ANFIS  can  be  trained  by  a  hybrid  learning 
c
algorithm  [28].  In  the  forward  pass  the  algorithm  uses 
wc ( n  1)  wc ( n)   n [ xi  wc ( n)]                       (3)  least‐  squares  method  to  identify  the  consequent 
Where, {w j}lj1   represent  the  set  of  Voronoi  vectors,  parameters  while  in  the  backward  pass  the  errors  are 
propagated  backward  and  the  premise  parameters  are 
w c
represent  the  class  associated  with  the  Voronoi  updated by gradient descent [27]. 
vector,  {x i }iN1   represent  the  set  of  input  vectors,  Layer 1 is the input layer. 

 x represent  the  class  label  of  the  input  vector  xi,  and 
i yi(1)  xi(1) (4)
 n   denotes  the  learning  constant  with  the  number  of 
iterations n. 
  Layer 2 is the fuzzification layer. 
(b) The other Voronoi vectors are not modified.     b
    0, if xi( 2 )  a
LVQ network has an advantage over perceptron as they  2
can classify any set of input vectors whereas perceptron    
 2 xi  a
( 2)
  ( 2)  b b
can classify only linearly separable sets of input vectors.  yi  1  , if a   xi( 2 )  a 
The only requirement is that the competitive layer must 
 b 2 2    (5) 
 
have enough neurons and each class must be assigned   b
enough competitive neurons [23][24][25].   0, if xi( 2 )  a 
   2
 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 96

                        subject to (for any 1=1,2,3,………….,n)                    
Layer 3 is the inference layer.                                    (14) 
                 
yi(3)  x1(i3)  x2(3i )    xki(3) (6) 4. Experiments and ( Results
The  results  are  6  measured  against  the  following 
diagnostic performance measures:  
) 
Layer 4 is the output membership layer   1. True  positive  (TP):  The  number  of  positive 
      
      cases correctly detected,  
y
           i
( 4)
 x ( 4)
1i  x ( 4)
2i    x ( 4)
li                     (7)  
2. True  negative  (TN):  The  number  of  negative 
cases correctly detected,  
 
3. False  positive  (FP):  The  number  of  negative 
Layer 5 is the defuzzification layer. For, the datasets C1 
cases diagnosed as positive, and  
and C2, the weighted average would be calculated as,  
4. False  negative  (FN):  The  number  of  positive 
 
cases diagnosed as negative.  
μ a b μ a b     
y C1 C1 C1 C2 C2 C2 (8) The  Wisconsin  breast  cancer  diagnosis  (WBCD) 
(
μ b μ b database  is  the  result  of  the  efforts  made  at  the 
C1 C1 C2 C2 8
University  of  Wisconsin  Hospital  for  accurately 
) 
diagnosing breast masses based solely on an FNA test. 
 
The  database  comprises  diagnosis  results  of  699 
3.4. Diagnosis using Support Vector Machine
patients  beyond  which  458  are  benign  and  241  are 
(SVM)
Support  Vector  Machine  (SVM)  is  based  on  the  linear  malignant  [25].  Different  neural  network  models  were 
classifiers  and  on  a  general  method  known  as  “kernel  simulated for different parameter settings. The various 
tricks”,  which  is  based  on  the  concepts  of  duality  and  performance  measures  are  summarized  and 
kernels  that  allow  algorithms  to  be  formulated  such  experimental  results  of  breast  cancer  system  using 
that  they  could  be  systematically  extended  to  non‐ computational intelligence models are shown in table 1 
linear cases.   and  table  2  respectively.  LVQ  has  emerged  as  the 
Support  Vector  Machine  (SVM)  models  are  similar  to  optimal  network,  which  uses  10  hidden  neurons  and 
multilayer  perceptron  neural  networks.  Using  a  kernel  0.01 learning rate.  
function  these  are  an  alternative  training  method  for   
polynomial,  radial  basis  function  and  multi‐layer  Table 1. Diagnostic performance measurement for 
perceptron classifiers. These classifiers are found to be   Breast cancer. 
helpful  in  solving  a  quadratic  programming  problem 
Cancer  Total
with linear constraints as compared to others.   Present  Absent 
Test 
In SVM, let us assume the training data to be D, a set of 
True  False  [TP +FP] 
n points of the form 
Positive  Positive  Positive   
                                      (9) 
[TP]  [FP] 
where, ci is either 1 or −1, indicating the class to which 
False  True  [FN+TN] 
the  point  Xi  belongs.  Each  Xi  is  a  p‐dimensional  real 
Negative  Negative  negative  
vector.  Any  hyperplane  can  be  written  as  the  set  of 
[FN]  [TN] 
points X satisfying 
                                                            (10)  [TP  + FN+  TN 
Total  [TP+ FN]  [TN + FP] 
We want to choose the W and b to maximize the  + FP] 
margin. These hyperplanes can be described by the   
equation                                                                                    
                                       (11)  Sensitivity (Sens.)
TP / (TP + FN) 
And  Specification (Spec.)
TN / (TN + FP) 
             (12)  Accuracy (Acc.)
(TP  +  TN)  /  (TP  +  TN  +  FP  + 
If  the  training  data  are  linearly  separable  then  we  can  FN) 
select  the  two  hyperplanes  of  the  margin  in  such  a  False  Positive  Rate  FP / (TP+FP) 
manner that there are no points between them and then  (FPR) 
try to maximize their distance  False  Negative  Rate  FN / (FN+TN) 
          for all 1≤ i ≤ n                      (13)  (FNR) 
We  can  put  this  together  to  get  the  optimization   
problem:   
Minimize (in w,b)      
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 97

  [4]  Mohammad  Sameti,  Rabab  Kreidieh  Ward,  Jacqueline 

  Morgan‐Parkes  and  Branko  Palcic    “Image  Feature  Extraction  in 
the  Last  Screening  Mammograms  Prior  to  Detection  of  Breast 
Table  2.  Performance  comparisons  of  Computationals 
Cancer” IEEE journal of selected topics in signal processing, vol. 3, 
intelligence models  no. 1, February 2009, pp 46‐52. 
[5] Al  Mutaz  M, Abdalla , Safaai  Deris, Nazar Zaki  and Doaa M. 
ANN  Sens.  Spec.  Acc.  FPR  FNR  TT  Ghoneim  “  Breast  Cancer  Detection  Based  on  Statistical  Textural 
Model  (sec.)  Features Classification“ 2008 IEEE , pp 728‐730. 
BPA  80.00  90.00  85.00  20.00  10.00  2.00  [6] T.Z. Tan , C. Quek , G.S. Ng a, E.Y.K. Ng  “A novel cognitive 
LVQ  95.00  98.00  96.50  05.00  02.00  57.00  interpretation  of  breast  cancer  thermography  with 
SVM  90.00  92.00  91.00  10.00  08.00  05.00  complementary  learning  fuzzy  neural  memory  structure”  Expert 
ANFIS  88.00  90.00  89.00  12.00  10.00  10.00  Systems with Applications 33 (2007) 652–666. 
[7]  Shlomi  Laufer  and  Boris  Rubinsky  “Tissue  Characterization 
 
with an Electrical Spectroscopy SVM Classifier” IEEE transactions 
5. Conclusions on  biomedical  engineering,  vol.  56,  no.  2,  February  2009  pp  525‐
Breast  cancer  is  a  major  cause  of  deaths  and  528. 
predominantly affects women more than the age of 40.  [8]  Taio  C.  S.  Santos‐Andrk  and  Anttinio  C.  Roque  da  Silva  “A 
All  the  systems  mentioned  in  the  introduction  were  Neural  Network  Made  of  a  Kohonen’s  SOM  Coupled  to  a  MLP 
Trained  Via  Backpropagation  for  the  Diagnosis  of  Malignant 
simulated  on  the  breast  cancer  database  adopted  from 
Breast  Cancer  from  Digital  Mammograms”  1999  ,  IEEE  pp  3647‐
the  University  of  Wisconsin  (UCI)  Machine  Learning  3650. 
Repository.  The  ultimate  goal  is  to  make  a  diagnostic  [9] Kenneth Revett, Florin Gorunescu, Marina Gorunescu, Elia El‐
system that would assist the doctors in diagnosis of the  Darzi  and  Marius  Ene  “A  Breast  Cancer  Diagnosis  System:  A 
disease  which  would  hence  prove  to  be  a  very  useful  Combined  Approach  Using  Rough  Sets  and  Probabilistic  Neural 
Networks  “,  EUROCON  2005,  Serbia  &  Montenegro,  Belgrade, 
system considering the present scenario where diseases 
November, 22‐24, 2005,pp 1124‐1127. 
are  on  a  hike  and  there  is  a  lack  of  availability  of 
[10]  Xiangchun  Xiong,  Yangon  Kim,  Yuncheol  Baek,  Dae  Wong 
specialized doctors. Such a system learns from the past  Rhee,  Soo‐Hong  Kim  “Analysis  of  Breast  Cancer  Using  Data 
data  which  is  a  collection  of  a  lot  of  information  in  Mining  &  Statistical  Techniques”  Proceedings  of  the  Sixth 
itself.  The  system  tries  to  extract  this  hidden  International  Conference  on  Software  Engineering,  Artificial 
information  to  make  a  generalized  system  for  the  Intelligence, Networking and Parallel/Distributed Computing and 
First  ACIS    International  Workshop  on  Self‐Assembling  Wireless 
detection of the disease. It may be noted that though we 
Networks (SNPD/SAWN’05)  2005 IEEE. 
had  tried  to  build  an  effective  system  and  obtain  a  [11]  Emad  Nabil,  Amr  Badr  ,Ibrahim  Farag,  Mohamed  Osama 
accuracy of 100%, which is the ultimate goal of medical  Khozium  “  A  Hybrid  Artificial  Immune  Genetic  Algorithm  with 
diagnosis  but  we  were  able  to  achieve  a  maximum  Fuzzy Rules for  Breast  Cancer  Diagnosis “INFOS2008,  March  27‐
accuracy of 96.50% using LVQ with 10 hidden neurons  29, 2008 Cairo‐Egypt, pp 31‐40. 
[12]  David  B.  Fogel,  Eugene  C.  Wasson,  Edward  M.  Boughton, 
and 0.01 learning rate which surpasses the SVM whose 
Vincent  W.  Porto,  and  Peter  J.  Angeline  “Linear  and  Neural 
accuracy  is  found  out  to  be  91%.  It  can  be  concluded  Models  for  Classifying  Breast  Masses  “IEEE  transactions  on 
from  the  above  result  that  LVQ  should  be  used  for  medical imaging, vol. 17, no. 3, June 1998, pp 485‐488. 
prediction  of  the  breast  cancer  as  compared  to  other  [13]  Shakti  K.  Davis,  Barry  D.  Van  Veen,  Susan  C.  Hagness,  and 
computational intelligence models.  Frederick  Kelcz  “  Breast  Tumor  Characterization  Based  on 
  Ultrawideband  Microwave  Backscatter”  IEEE  transactions  on  
biomedical engineering, vol. 55, no. 1, january 2008, pp 237‐246. 
Acknowledgement [14]  Lubomir  Hadjiiski,  Berkman  Sahiner,  Heang‐Ping  Chan, 
  Nicholas  Petrick  and  Mark  Helvie  “  Classification  of  Malignant 
The  authors  sincerely  acknowledge  Prof.  S.G.  and Benign Masses Based on Hybrid ART2LDA Approach “IEEE 
Deshmukh,  Director  ABV‐IIITM,  Gwalior,  India  for  transactions  on  medical  imaging,  vol.  18,  no.  12,  December  1999 
encouraging  and  providing  facilities  to  carry  out  this  pp1178‐1187. 
research work.   This work is sponsored by ABV‐IIITM  [15]  Ky  Van  Ha  “Hierarchical  Radial  Basis  Function  Networks” 
1998 EEE 1893 PP 1893‐1898. 
Gwalior. 
[16]  Yuehui  Chen,  Yan  Wang,  and  Bo  Yang  “  Evolving 
  Hierarchical  RBF Neural Networks  for  Breast Cancer Detection “ 
References ICONIP  2006,  Part  III,  LNCS  4234,  Springer‐Verlag  Berlin 
[1] http://www.breastcancer.org  Heidelberg 2006 ,pp. 137–144, 2006. 
[2]  Yuanjiao  MA,  Ziwu  WANG,  Jeffrey  Lian  LU,  Gang  WANG,  [17]  Nuryanti  Mohd    Salleh  ,  Harsa  Amylia  Mat  Sakim  and  Nor 
Peng LI Tianxin MA, Yinfu XIE ,Zhijie ZHENG “Extracting Micro‐ Hayati  Othman    “Neural  Networks  to  Evaluate  Morphological 
calcification  Clusters  on  Mammograms  for  Early  Breast  Cancer  Features  for  Breast  Cells  Classification”  IJCSNS  International 
Detection” Proceedings of the 2006 IEEE International Conference  Journal of Computer Science and Network Security, VOL.8 No.9, 
on  Information  Acquisition  August  20  ‐  23,  2006,  Weihai,  September 2008, pp 51‐58. 
Shandong, China ,pp499‐504.  [18]  Nuryanti  Mohd    Salleh  ,  Harsa  Amylia  Mat  Sakim  and  Nor 
[3] Heng‐Da Cheng, Yui Man Lui, and Rita I. Freimanis “A Novel  Hayati  Othman    “Neural  Networks  to  Evaluate  Morphological 
Approach  to  Microcalcification  Detection  Using  Fuzzy  Logic  Features  for  Breast  Cells  Classification”  IJCSNS  International 
Technique”  IEEE  transactions  on  medical  imaging,  vol.  17,  no.  3,  Journal of Computer Science and Network Security, VOL.8 No.9, 
June 1998, pp442‐450.  September 2008, pp 51‐58. 
JOURNAL OF COMPUTING, VOLUME 3, ISSUE 3, MARCH 2011, ISSN 2151-9617
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/
WWW.JOURNALOFCOMPUTING.ORG 98

[19]  A.  Rahmoun,  S.  Berrani,  “A  Genetic‐Based  Neuro‐Fuzzy 

Generator: NEFGEN” 2001 IEEE pp 18‐23 
[20]  Carlos  Andres  Pena‐Reyes,  Moshe  Sipper  “A  fuzzy‐genetic 
approach  to  breast  cancer  diagnosis  “Artificial  Intelligence  in 
Medicine 17 (1999) 131–155. 
[21]  C.A.  Pena  Reyes  “Breast  Cancer  Diagnosis  by  Fuzzy  CoCo” 
Coevolutionary  Fuzzy  Modeling,  LNCS  3204,  Springer‐Verlag 
Berlin Heidelberg 2004 pp 71‐87, 2004. 
[22] H. seker, m.Odeyato, D. petrovie, R.N.G.Naguib, C. Bartoli, L. 
Alasilo  and  G.V.  Sherbet,  “  Prognostic  comparison  of  statistical, 
neural  and  fuzzy  methods  of  analysis  of  breast  cancer  image 
cytometric  data    “2001  proc.  Of  the  23rd  Annual  IEEE  MBS  Int. 
Conference October 25‐28, Istanbul, Turkey, pp 3811‐3814. 
[23]  Shukla  Anupam,  Tiwari  Ritu,Janghel  R.R.,and  Kaur 
Prabhdeep,  Diagnosis  of  Thyroid  Disorders  using  Artificial 
Neural Networks on 2009 IEEE International Advance Computing 
Conference  (IACC  2009),Patiala,  India,  6–7March  2009,pp:2722‐
2726. 
[24] Janghel R.R , Shukla anupam,Tiwari Ritu  and Pritesh Tiwari , 
“Clinical  Decision  support  system  for  fetal  Delivery  using 
Artificial  Neural  Network”2009  (NISS)  IEEE  International 
Conference  on  New  Trends  in  Information  and  Service  Science, 
June 30 – July 2, 2009, Beijing, China,pp:1070‐1075. 
[25]  Janghel  R.R  ,  Shukla  anupam  and  Tiwari  Ritu  “  Decision 
Support  System  for  Fetal  Delivery  using    Soft  Computing 
Techniques”  (2nd  ICIS),  2009  International  Conference  on 
Interaction  Sciences:  Information  Technology,  Culture  and 
Human,  IEEE  CPS  series  ,24‐26  November,  2009  ‐  Seoul,  Korea, 
pp: 1514‐1519. 
[26] S.N. Sivanandan,S.N Deepa 2007, principle of soft computing, 
Wiley India private limited. 
[27]  Abraham,  A.  2001,  Neuro‐Fuzzy  Systems:  Stateof‐the‐Art 
Modeling  Techniques.  In  Connectionist  Models  of  Neurons, 
Learning Processes, and Artificial Intelligence, Springer, Berlin, J. 
Mira,A. Prieto (Eds.). 
[28]  Jeen‐Shing  Wang  and  C.  S.  George  Lee,  “Self‐Adaptive 
Neuro‐Fuzzy  Inference  Systems  for  Classification  Applications”, 
IEEE Transactions on Fuzzy Systems, 2002. 
[29]  Jaime  S.  Cardoso,  Joaquim  F.  Pinto  da  Costa  and  Maria  J. 
Cardoso,”  SVMs  Applied  to  Objective  Aesthetic  Evaluation  of 
Conservative  Breast  Cancer  Treatment”  Proceedings  of 
International  Joint  Conference  on  Neural  Networks,  Montreal, 
Canada, July 31 ‐ August 4, 2005,pp 2481‐2486.