Deep Neural Networks with Transfer Learning Model for Brain Tumors Classification
Notice bibliographique
Résumé
To investigate the effect of deep neural networks with transfer learning on MR images for tumor classification and improve the classification metrics by building image-level, stratified image-level, and patient-level models. Three thousand sixty-four T1-weighted magnetic resonance (MR) imaging from two hundred thirty-three patient cases of three brain tumors types (meningioma, glioma, and pituitary) were collected and it includes coronal, sagittal and axial views. The average number of brain images of each patient in three views is fourteen in the collected dataset. The classification is performed in a model of cross-trained with a pre-trained InceptionV3 model. Three image-level and one patient-level models are built on the MR imaging dataset. The models are evaluated in classification metrics such as accuracy, loss, precision, recall, kappa, and AUC. The proposed models are validated using four approaches: holdout validation, 10-fold cross-validation, stratified 10-fold cross-validation, and group 10-fold cross-validation. The generalization capability and improvement of the network are tested by using cropped and uncropped images of the dataset. The best results for group 10-fold cross-validation (patient-level) are obtained on the used dataset (ACC=99.82). A deep neural network with transfer learning can be used to classify brain tumors from MR images. Our patient-level network model noted the best results in classification to improve accuracy.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».