HEp-2 Cell Classification Using an Ensemble of Convolutional Neural Networks
Notice bibliographique
Résumé
The presence of Anti-nuclear Autoantibodies (ANA) in human serum is related to autoimmune diseases. Indirect Immunofluorescence (IIF) imaging on human epithelial type-2 cells (HEp-2) is the gold standard for the ANA test. Accurate Human Epithelial-2 (HEp-2) cell classification plays an essential role in the diagnosis of immune system diseases. Developing computer-aided diagnosis (CAD) systems for ANA analysis is necessary for improving the disease diagnosis and treatment planning of the patients. Traditionally, cell patterns are assessed manually with a fluorescence microscope. However, due to the large variations of cell patterns, manual interpretation of the cell images is time-consuming, highly subjective and also requires experienced experts. In this paper, we propose a deep learning-based ensemble model of Inception V3and Xception architectures for the task of HEp-2 cell images classification as either healthy or case subjects. In intuition, the aggregation of different architectures can effectively extract and fuse the most discriminative deep features from input images. Also, we use a transfer learning strategy and hyper-parameter tuning to further improve the performance of the proposed model. Experimental results demonstrate that our proposed ensemble model achieves promising results with an accuracy of 95.07%, sensitivity of 99.96% and specificity of 99.79% in comparison with state-of-the-art models on the ICPR 2012 benchmark dataset.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».