Automatic Classification of Ovarian Cancer Types from CT Images Using Deep Semi-Supervised Generative Learning and Convolutional Neural Network
Notice bibliographique
Résumé
The classification of ovarian cancer types is a very challenging process for physicians' eyes.To solve this problem, this article proposes a new deep learner, which classifies ovarian cancer types from Computerized Tomography (CT) images.Firstly, a Deep Convolutional Neural Network (DCNN) model depending on AlexNet is proposed to categorize ovarian cancer from CT images.But its efficiency is not satisfactorily high.So, DCNN is built based on the fusion of AlexNet, VGG, and GoogLeNet.The fusion is carried out at the SoftMax layer by fusing the SoftMax values of each network structure using a weighted sum to obtain the overall classification outcome.But overfitting problems can occur due to an inadequate number of training images.Thus, a Deep Semi-Supervised Generative Learning with DCNN model (DSSGL-DCNN) is proposed by using a Generative Adversarial Network (GAN) which augments the training samples to solve the overfitting problem.Once the augmented dataset is obtained, the fused DCNN model is learned to classify ovarian cancer types.Further, the classified outcomes can be used as a useful guideline for physicians in medical diagnosis.Finally, the experimental results show that the DSSGL-DCNN achieves higher efficiency compared to the other DCNN architectures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».