Bayesian inference framework for bounded generalized Gaussian‐based mixture model and its application to biomedical images classification
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
Abstract Biomedical image classification problem has attracted a lot of attention in medical engineering community and medicine applications. Accurate and automatic classification (eg, normal/abnormal or malignant/benign) has a variety of applications such as automatic decision making and is known to be very challenging. In this research, we address this problem by investigating the effectiveness of Bayesian inference methods for statistical bounded mixture models. Indeed, a novel approach termed as Bayesian learning for bounded generalized Gaussian mixture models is developed. The consideration of bounded mixture models is encouraged by their capability to take into account the nature of the data that is compactly supported. Furthermore, the consideration of Bayesian inference is more attractive compared to frequentist reasoning. In this work, we address main issues related to accurate data classification such as the effective estimation of the model's parameters and the selection of the optimal model complexity. Moreover, the problem of over‐ or under‐fitting is treated by taking into account the uncertainty through introducing prior information about the model's parameters. A comparative study between different Gaussian‐based models is also performed to evaluate the performance of the proposed framework. Experiments have been conducted on challenging biomedical image datasets that involve retinal images for diabetic retinopathy detection and mammograms for breast cancer detection. Obtained results are encouraging and show the benefits of our Bayesian framework.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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