Whole slide cervical image classification based on convolutional neural network and random forest
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 Cervical cancer is a kind of common female malignancy ranking fourth for mortality worldwide. Traditional histopathological examination, an important diagnosis method of cervical cancer, is still manually performed by pathologists under the microscope, which is labor intensive and error‐prone. In this article, deep learning is used for whole slide cervical image (WSCI) analysis to explore an automatic and effective method for the diagnosis of cervical cancer. We combine convolutional neural network (CNN) and random forest (RF) classifier for whole slide cervical image classification. A new multilevel feature fusion strategy named Ensemble is used for features extraction from the features extracted by CNN. Ensemble that fuses features extracted by convolution layers with different depths in CNN together is capable of capturing fusional features which can describe patches at different levels from different convolutional layers. Principal component analysis (PCA) algorithm is introduced for feature reduction of the multilevel features. Our experiments are carried out on WSCI dataset which consists of a total of 163 WSCIs from 27 patients. We combine CNN + PCA + RF model and CNN + RF model, respectively, with four feature extraction strategies to conduct eight comparative experiments on the 163 WSCIs. Experimental results demonstrate that when using multilevel feature fusion strategy, the classification accuracy of the CNN + PCA + RF model reaches the highest to 99.39%. In addition, the CNN + PCA + RF model conducting the multilevel feature fusion strategy performs better than that conducting single‐level feature extraction strategies.
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 | 0,000 |
| 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