A feature fusion system for basal cell carcinoma detection through data‐driven feature learning and patient profile
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Basal cell carcinoma (BCC) is the most common skin cancer, which is highly damaging in its advanced stages. Computer-aided techniques provide a feasible option for early detection of BCC. However, automated BCC detection techniques immensely rely on handcrafting high-level precise features. Such features are not only computationally complex to design but can also represent a very limited aspect of the lesion characteristics. This paper proposes an automated BCC detection technique that directly learns the features from image data, eliminating the need for handcrafted feature design. METHODS: The proposed method is composed of 2 parts. First, an unsupervised feature learning framework is proposed which attempts to learn hidden characteristics of the data including vascular patterns directly from the images. This is done through the design of a sparse autoencoder (SAE). After the unsupervised learning, we treat each of the learned kernel weights of the SAE as a filter. Convolving each filter with the lesion image yields a feature map. Feature maps are condensed to reduce the dimensionality and are further integrated with patient profile information. The overall features are then fed into a softmax classifier for BCC classification. RESULTS: On a set of 1199 BCC images, the proposed framework achieved an area under the curve of 91.1%, while the visualization of learned features confirmed meaningful clinical interpretation of the features. CONCLUSION: The proposed framework provides a non-invasive fast BCC detection tool that incorporates both dermoscopic lesional features and clinical patient information, without the need for complex handcrafted feature extraction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle