Brain MRI‐based Wilson disease tissue classification: an optimised deep transfer learning approach
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
Wilson's disease (WD) is caused by the excessive accumulation of copper in the brain and liver, leading to death if not diagnosed early. WD shows its prevalence as white matter hyperintensity (WMH) in MRI scans. It is challenging and tedious to classify WD against controls when comparing visually, primarily due to subtle differences in WMH. This Letter presents a computer‐aided design‐based automated classification strategy that uses optimised transfer learning (TL) utilising two novel paradigms known as (i) MobileNet and (ii) the Visual Geometric Group‐19 (VGG‐19). Further, the authors benchmark TL systems against a machine learning (ML) paradigm. Using four‐fold augmentation, VGG‐19 is superior to MobileNet demonstrating accuracy and area under the curve (AUC) pairs as 95.46 ± 7.70 % , 0.932 ( p < 0.0001 ) and 86.87 ± 2.23 % , 0.871 ( p < 0.0001 ), respectively. Further, MobileNet and VGG‐19 showed an improvement of 3.4 and 13.5% , respectively, when benchmarked against the ML‐based soft classifier – Random Forest.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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