Colorectal Cancer Tissue Classification Using Semi-Supervised Hypergraph Convolutional Network
Notice bibliographique
Résumé
Colorectal Cancer (CRC) is a leading cause of death around the globe, and therefore, the analysis of tumor micro environment in the CRC WSIs is important for the early detection of CRC. Conventional visual inspection is very time consuming and the process can undergo inaccuracies because of the subject-level assessment. Deep learning has shown promising results in medical image analysis. However, these approaches require a lot of labeling images from medical experts. In this paper, we propose a semi-supervised algorithm for CRC tissue classification. We propose to employ the hypergraph neural network to classify seven different biologically meaningful CRC tissue types. Firstly, image deep features are extracted from input patches using the pre-trained VGG19 model. The hypergraph is then constructed whereby patch-level deep features represent the vertices of hypergraph and hyperedges are assigned using pair-wise euclidean distance. The edges, vertices, and their corresponding patch-level features are passed through a feed-forward neural network to perform tissue classification in a transductive manner. Experiments are performed on an independent CRC tissue classification dataset and compared with existing state-of-the-art methods. Our results reveal that the proposed algorithm outperforms existing methods by achieving an overall accuracy of 95.46% and AvTP of 94.42%.
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 | 0,001 |
| 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 ».