A Hybrid Methodology for Automation the Diagnosis of Leukemia Based on Quantitative and Morphological Feature Analysis
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
Recent year’s witnessed a huge revolution for developing an automated diagnosis for different disease such as cancer using medical image processing. Many researches have been dedicated to achieve this goal. Analyzing medical microscopic histology images provide us with large information about the status of patient and the progress of diseases, help to determine if the tissue have any pathological changes. Automation of the diagnosis of these images will lead to better, faster and enhanced diagnosis for different hematological and histological tissue images such as cancer. This paper propose an automated methodology for analyzing cancer histology and hematology microscopic images to detect leukemia using image processing by combining two diagnosis procedures initial and advance; the initial diagnosis depend on the percentage of the white blood cells in microscopic images affected by leukemia as indicator for the existence of leukemia in the blood smear sample. Whereas, the advance diagnosis classifying the leukemia according into different types using feature bag classifier. The experimental results showed that the proposed methodology initial diagnosis is able to detect leukemia images and differentiate it from samples that do not have leukemia. While, advance diagnosis it is able to detect and classify most leukemia types and differentiate between acute and chronic, but in some cases in the chronic leukemia where the percent of blast cells and shape are similar; it gave a diagnosis of the type of leukemia to the most similar type.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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